面向稳定特征选择的不确定性感知变精度模糊粗糙集及其拟重叠函数

《International Journal of Approximate Reasoning》:Uncertainty-Aware Variable Precision Fuzzy Rough Sets with pseudo-overlap functions for Stable Feature Selection

【字体: 大 中 小 】 时间:2026年10月01日 来源:International Journal of Approximate Reasoning 2.8

编辑推荐:

   一项结合伪重叠函数与精度参数(α, β)的新型可变精度模糊粗糙集模型增强了噪声鲁棒性。基于PO-VPFRS推导出的不确定性感知模糊依赖度量被应用于特征选择,所得算法在多个数据集上进行了验证。全面的对比实验证明了该算法的灵活性与有效性。 引言 粗糙集理论(RST)是Pawl

  

一项结合伪重叠函数与精度参数(α, β)的新型可变精度模糊粗糙集模型增强了噪声鲁棒性。基于PO-VPFRS推导出的不确定性感知模糊依赖度量被应用于特征选择,所得算法在多个数据集上进行了验证。全面的对比实验证明了该算法的灵活性与有效性。

引言

粗糙集理论(RST)是Pawlak于20世纪80年代[1]提出的用于处理模糊性与不确定性的数学工具。该方法在机器学习、数据挖掘和决策分析领域具有重要意义,尤其在特征选择方面[2],[31],[32],[33]。粗糙集(RSs)反映了集合内对象之间的不可分辨性,而模糊集则描述了集合中子集边界的模糊性[3]。粗糙集在处理符号数据集方面取得了成功,但由于其在处理实值数据方面的局限性,Dubois和Prade于1990年将模糊集(FSs)与粗糙集相结合,提出了模糊粗糙集(FRSs)[4]。

模糊粗糙集理论(FRST)也是处理不确定信息、图像处理和特征选择等领域的重要技术,取得了显著成果并受到学术界的广泛关注。例如,Wang等提出了一种有向模糊粗糙集模型,将类-子空间分布信息融入有向模糊二元关系并重新定义了模糊粗糙逼近算子,从而实现了对与类分布相关的不确定性的更准确刻画[34]。Wang等引入了一种加权模糊粗糙集模型,通过以样本的类重要性(由其与所属类的距离定义)对距离进行加权,构建了有效的模糊粗糙逼近算子[35]。Jiang和Hu基于完备格上的重叠函数和分组函数,提出了(O, G)模糊粗糙集作为粗糙集概念的扩展[6]。Zhang等建立了两种利用n维重叠函数的多粒度模糊粗糙集(MGFRS)新型模型,并将其应用于多属性群决策(MAGDM)问题[7]。Shi等开发了一种基于前景理论和q-阶直对模糊集(q-ROFSs)的三向决策模型,以进一步降低传统决策中快速决策带来的风险[8]。

可变精度模糊粗糙集理论(VPFRST)是FRST的一个重要分支。可变精度模糊粗糙集由Mieszkowicz-Rolka和Rolka首次提出[9]。Zhao等将FRs与VPFRSs相结合,构建了一种对原始数据扰动不敏感的模糊可变精度粗糙集模型[10]。Li等提出了一种新型的多粒度可变精度模糊粗糙集模型并引入了一种新的属性约简算法[29]。Yin等开发了一种基于覆盖的可变精度模糊粗糙集模型,集成了伪半重叠函数和模糊蕴含,并将其应用于新型应急决策[30]。在Pawlak粗糙集中,上逼近包含下逼近(包含性质),但在VPFRS中不包含此性质,因此Zou等提出了一种具有包含性质的新型可变精度粗糙集模型及其对应的三向决策模型[11]。Zhang和Ou引入了一种基于重叠函数的可变精度模糊粗糙集,对关联性不施加限制[12]。

Zhang等提出了伪重叠函数[13]。在他们关于非交换模糊推理、复杂多属性决策和图像处理的系列研究中,他们通过去除交换性扩展了重叠函数和分组函数,从而提出了伪重叠函数的概念。同时,他们还提供了伪重叠函数的示例和构造方法,并研究了伪重叠函数诱发的余蕴含算子。近年来,伪重叠函数已在多属性决策[14]、图像处理[15]和模糊数学形态学[16]中找到了广泛应用,并成为重要的研究对象。

模糊粗糙特征选择中的噪声鲁棒性日益受到关注。特别是,An等[37]提出了具有kNN半监督特征选择的鲁棒模糊粗糙逼近,其中采用粒度球表示来减少噪声样本对模糊粗糙逼近的影响。该策略主要在数据和邻域表示层面提高鲁棒性。相比之下,本研究专注于模糊粗糙逼近算子内部的不确定性调节。具体而言,PO-VPFRS通过两个精度参数分别调节与模糊相似关系相关的模糊性与与模糊决策隶属度相关的模糊性,同时引入伪重叠函数以增强不确定性聚合的灵活性。因此,所提出的方法与现有的基于粒度或邻域的鲁棒机制是互补的。

本研究的动机如下:现有的VPFRS模型通过将可变精度参数纳入模糊逼近算子来增强对不确定性的容忍度。然而,仍有两个局限性未得到充分解决。首先,大多数现有模型采用单一精度机制,隐含地将源于模糊关系结构的不确定性与源于模糊决策隶属度的不确定性以统一的方式处理。由于这两类不确定性源自模糊决策系统的不同组件,且可能独立变化,用共同的容忍机制来调节它们可能会限制模糊粗糙逼近的灵活性。其次,由传统重叠函数构建的逼近算子本质上基于交换性聚合,因此无法显式地区分模糊关系与决策隶属度之间的方向性交互。

为了克服这些局限性,本文提出了PO-VPFRS,并将其发展为一种二维不确定性感知模糊粗糙框架,而非现有VPFRS模型的直接参数化扩展。在语义层面,伪重叠函数去除了交换性约束并诱导了两个方向依赖的余蕴含,两者均被纳入模糊下逼近以捕获非对称交互语义。在不确定性控制层面,引入了两个独立的精度参数:α调节与模糊相似关系相关的结构不确定性,而β调节与模糊决策隶属度相关的决策不确定性。因此,所提出的框架将结构不确定性与决策不确定性解耦,允许它们在同一个模糊粗糙逼近系统中独立控制。图1展示了所提出的模型与现有模型之间的关系。

本文的主要内容如下:第2节提供了与本文相关的基本概念和性质;第3节建立了基于伪重叠函数的可变精度模糊粗糙集模型(PO-VPFRS),并分析了模型的基本特性;第4节将基于PO-VPFRS推导出的不确定性感知模糊依赖度量应用于特征选择,并通过伪代码展示其实现方式;第5节将模型应用于多个数据集,进行对比实验以展示所提方法的有效性和灵活性;第6节提供了全面的总结。

预备知识

本部分提供了与本文相关的若干基本定义及其性质。

定义2.1([17])满足对称性、单调性、结合性且具有1作为单位元的二元函数T: [0, 1]2 → [0, 1]称为t-范。

定义2.2([18])[0,1]上满足递增性、N(0)=1、N(1)=0且对每个p ∈ [0, 1]有N(N(p))=p的二元函数N称为对合否定算子。

定义2.3([36])满足某些条件的二元函数I: [0, 1]2 → [0, 1]称为模糊蕴含。

基于伪重叠函数的可变精度模糊粗糙集

现有的VPFRS模型面临两个局限性:单一精度参数耦合了两个独立的不确定性来源(关系扰动和决策边界模糊性),且基于重叠函数的传统模型通常依赖交换性聚合。为解决这些问题,本节引入了伪重叠函数及其两个余蕴含,并采用独立的精度参数α和β来调节关系层和决策层的不确定性。

基于PO-VPFRS的特征选择

需要注意,所提出的特征选择方法的贡献不在于设计新的组合搜索策略。我们有意采用广泛使用的常规前向贪心搜索方案,以将所提出的不确定性感知评估准则的效果与复杂的优化机制的效果分离。所提出框架的方法学贡献在于新的模糊……

实验评估与分析

为了验证所提出特征选择算法的有效性和实用性,该算法被应用于十个数据集,并与六种现有特征选择算法进行了对比实验。获得了约简属性子集的大小以及通过SVM、CART、K近邻规则(KNN, K=3)和随机森林(RF)验证的降维子集的分类准确率。从三个方面评估该算法:(1) 参数……

结论

本研究提出了一种基于伪重叠函数的不确定性感知可变精度模糊粗糙集模型,称为PO-VPFRS,并研究了其在特征选择中的应用。本工作的主要创新和结论总结如下:

首先,建立了基于伪重叠函数的模糊粗糙逼近框架。通过将伪重叠函数及其两个诱导的余蕴含纳入逼近算子,所提出的……

未引用浮标 表9。

作者贡献

Songtao Shao:[概念设计,方法论] Rong Wang:[软件,数据整理] Yinan Meng:[验证,形式化分析] Jingqian Wang:[监督,项目管理] Lingqiang Li:[撰写-审阅与编辑] Jun Liu:[监督,项目管理]

CRediT作者贡献声明

Songtao Shao:撰写-原稿,形式化分析。Rong Wang:撰写-原稿。Yinan Meng:撰写-审阅与编辑。Jingqian Wang:撰写-审阅与编辑。Lingqiang Li:项目管理,形式化分析。Jun Liu:撰写-审阅与编辑,项目管理,方法论。

利益冲突声明

作者声明他们没有任何已知的竞争性经济利益或个人关系,这些关系可能会影响本文所报告的工作。

Songtao Shao | Rong Wang | Yinan Meng | Jingqian Wang | Lingqiang Li | Jun Liu
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号