論文の概要: GBFRS: Robust Fuzzy Rough Sets via Granular-ball Computing
- arxiv url: http://arxiv.org/abs/2501.18413v1
- Date: Thu, 30 Jan 2025 15:09:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-31 15:12:41.662257
- Title: GBFRS: Robust Fuzzy Rough Sets via Granular-ball Computing
- Title(参考訳): GBFRS: グラニュラーボールコンピューティングによるロバストファジィラフセット
- Authors: Shuyin Xia, Xiaoyu Lian, Binbin Sang, Guoyin Wang, Xinbo Gao,
- Abstract要約: ファジィ粗セット理論は複雑な属性を持つデータセットを処理するのに有効である。
既存のモデルのほとんどは最も細かい粒度で動作しており、非効率でノイズに敏感である。
本稿では,多粒度グラニュラーボール計算をファジィ粗集合理論に統合し,サンプル点の代替としてグラニュラーボールを提案する。
- 参考スコア(独自算出の注目度): 48.33779268699777
- License:
- Abstract: Fuzzy rough set theory is effective for processing datasets with complex attributes, supported by a solid mathematical foundation and closely linked to kernel methods in machine learning. Attribute reduction algorithms and classifiers based on fuzzy rough set theory exhibit promising performance in the analysis of high-dimensional multivariate complex data. However, most existing models operate at the finest granularity, rendering them inefficient and sensitive to noise, especially for high-dimensional big data. Thus, enhancing the robustness of fuzzy rough set models is crucial for effective feature selection. Muiti-garanularty granular-ball computing, a recent development, uses granular-balls of different sizes to adaptively represent and cover the sample space, performing learning based on these granular-balls. This paper proposes integrating multi-granularity granular-ball computing into fuzzy rough set theory, using granular-balls to replace sample points. The coarse-grained characteristics of granular-balls make the model more robust. Additionally, we propose a new method for generating granular-balls, scalable to the entire supervised method based on granular-ball computing. A forward search algorithm is used to select feature sequences by defining the correlation between features and categories through dependence functions. Experiments demonstrate the proposed model's effectiveness and superiority over baseline methods.
- Abstract(参考訳): ファジィ粗セット理論は、複雑な属性を持つデータセットを処理するのに有効であり、固体数学的基礎によって支えられ、機械学習におけるカーネルメソッドと密接に関連している。
ファジィ粗集合理論に基づく属性還元アルゴリズムと分類器は、高次元多変量複素データの解析において有望な性能を示す。
しかし、既存のモデルのほとんどは最も細かい粒度で動作しており、特に高次元のビッグデータでは、ノイズに非効率で敏感である。
したがって,ファジィ粗集合モデルのロバスト性の向上は,効率的な特徴選択に不可欠である。
最近開発されたMuiti-garanularty Gran-ball Computingは、異なる大きさのグラニュラーボールを使用してサンプル空間を適応的に表現し、カバーし、これらのグラニュラーボールに基づいて学習を行う。
本稿では,多粒度グラニュラーボール計算をファジィ粗集合理論に統合し,サンプル点の代替としてグラニュラーボールを提案する。
グラニュラーボールの粗粒特性により、モデルはより堅牢になる。
さらに,粒界計算に基づく教師付き手法全体に対してスケーラブルな粒界生成手法を提案する。
フォワード探索アルゴリズムは、依存関数によって特徴とカテゴリの相関を定義することによって特徴系列を選択するために用いられる。
実験では,ベースライン法よりも提案モデルの有効性と優越性を示す。
関連論文リスト
- GBCT: An Efficient and Adaptive Granular-Ball Clustering Algorithm for Complex Data [49.56145012222276]
粒状球クラスタリング(GBCT)と呼ばれる新しいクラスタリングアルゴリズムを提案する。
GBCTは、従来の点関係ではなく、グラニュラーボールの関係に従ってクラスタを形成する。
グラニュラーボールは様々な複雑なデータに適合するので、GBCTは従来のクラスタリング法よりも非球面データセットにおいてはるかに優れている。
論文 参考訳(メタデータ) (2024-10-17T07:32:05Z) - Granular-ball computing: an efficient, robust, and interpretable
adaptive multi-granularity representation and computation method [54.2899493638937]
人間の認知は「グローバルファースト」認知メカニズムで動作し、粗い詳細に基づいて情報処理を優先順位付けする。
解析パターンは、最も微細な粒度と単一粒度に依存するため、既存の計算手法のほとんどは効率が悪く、堅牢で、解釈可能である。
多粒度グラニュラーボールコンピューティングは、サンプル空間を適度に表現し包み込むために、様々な大きさのグラニュラーボールを使用する。
グラニュラーボールコンピューティングは、AIにおいてまれで革新的な理論的アプローチであり、効率性、堅牢性、解釈可能性を適応的かつ同時に向上させることができる。
論文 参考訳(メタデータ) (2023-04-21T03:26:29Z) - GBO:AMulti-Granularity Optimization Algorithm via Granular-ball for Continuous Problems [18.229944332377755]
本稿では, グラニュラーボール最適化(GBO)アルゴリズムを新たに提案する。
最適化のために従来の点の代わりにグラニュラーボールを使用すると、ランダム検索プロセスの多様性とロバスト性が増大する。
一般的なベンチマークの実験では、GBOは一般的な進化的アルゴリズムや進化的アルゴリズムよりも優れていることが示されている。
論文 参考訳(メタデータ) (2023-03-18T13:18:21Z) - Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy
Granular balls [67.33923111887933]
本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。
ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
論文 参考訳(メタデータ) (2023-03-07T01:52:55Z) - Fuzzy Granular-Ball Computing Framework and Its Implementation in SVM [0.8916420423563476]
本稿ではファジィ集合に粒度計算を導入することによりファジィ粒度計算分類器の枠組みを提案する。
計算フレームワークは、ポイントではなくグラニュラーボール入力に基づいている。
フレームワークはファジィサポートベクトルマシン(FSVM)に拡張され、グラニュラーボールファジィSVM(GBFSVM)が導出される。
論文 参考訳(メタデータ) (2022-10-21T02:03:52Z) - An Efficient and Adaptive Granular-ball Generation Method in
Classification Problem [69.02474089703678]
グラニュラーボールコンピューティングは、グラニュラーコンピューティングのための効率的で堅牢でスケーラブルな学習方法である。
本稿では,$k$-meansを置き換えるために,ディビジョンを用いたグラニュラーボール生成を高速化する手法を提案する。
従来の方法と同様の精度を確保しつつ、グラニュラーボール生成の効率を大幅に向上させることができる。
論文 参考訳(メタデータ) (2022-01-12T07:26:19Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。