人工智能中的三支结构

为了从基于认知计算的三支决策(three-way decisions,3WD)理论来解释人工智能(artificial intelligence,AI),从3WD几何结构的角度阐述了人工智能的发展历程、技术分类、关键研究问题以及未来发展方向。这包括人工智能研究中的三大主义、人工智能发展中的3种分类、机器学习的3种方式、智能本质中的三层金字塔结构、智能生成机理中的三支结构、大数据的三V结构、人工智能伦理的三定律以及人工智能中人类与机器关系的三元结构等。通过3WD三元组的几何结构和模式,尝试对人工智能中三元处理进行解释。本文工作可对3WD在大数据分析、知识发现、计算智能、智能信息处理等方面的研究提供参考。

双三元思维与3×3方法

在处理复杂问题、制定全面策略或做出关键决策时,需从多个视角、多个层面或多个维度进行思考与分析。三支决策即三元思维、三元方法和三元计算。遵循三支决策的原则,引入了双三元思维的概念及3×3方法与结构。通过双三元思维结合两个三元结构,构建了一个3×3方法与结构,从九个不同的角度或维度进行思考、分析和解决问题。根据三级层次和三角形方法,得到了两种不同的3×3方法:一是在三级层次方法的基础上,每一层以三角形方法考虑三个相关问题,称为3层×3角形方法;另一种是在三角形方法的基础上,每个顶点以三级层次方法考虑三个相关问题,称为3角形×3层方法。作为一个案例,可以将3×3方法应用于可解释人工智能。借助Symbols-Meaning-Value(SMV)空间的概念,为3×3方法的九个元素赋予具体的语义。基于SMV空间的3×3方法,从不同的层次来分析和解释智能系统所需的数据、假设、工作原理及结果。这为智能系统提供了解释的构建过程及结构,使得最终的解释更易于沟通、理解和接受。

粗糙集理论与应用研究综述

在阐释粗糙集理论基本体系结构的基础上,从多个角度探讨粗糙集模型的研究思路,分析粗糙集理论与模糊集、证据理论、粒计算、形式概念分析、知识空间等其它理论之间的联系,介绍国内外关于粗糙集理论研究的主要方向和发展状况,讨论当前粗糙集理论研究的热点研究领域以及将来需要重点研究的主要问题.

粒计算的集合论描述

粒计算的形式化研究一直没有被仔细讨论.文中在集合论框架下,对粒计算做了系统研究,给出了粒度空间的三层模型(论域,基,粒结构).借用逻辑语言L判定粒的可定义性,将经典粗糙集通过此模型重新解释.根据模型中从基到粒结构不同的构造规则,引出并可约和交可约粒度空间的定义,分别讨论了不同粒度空间下覆盖、基和粒结构的关系,从而给出从覆盖求基的方法;进一步,利用子系统表示方法对扩展粗糙集以及一般的交可约与并可约空间的上下近似进行了研究,分析了现有的4种基于覆盖的粗糙集模型的合理性;研究了形式概念分析以及知识空间的粒度空间模型,给出这两种理论中上下近似的概念.

决策粗糙集理论研究现状与展望

经典Pawlak粗糙集理论中的核心概念上、下近似集是通过集合相交非空和包含来定义的.由于缺乏对错误的容忍能力,其实际应用受到了限制.20世纪90年代初,Yao等人结合贝叶斯决策理论提出了决策粗糙集模型.近年来,该模型逐渐得到重视,并在不确定性信息处理方面得到了广泛应用.该文首先就为什么要提出决策粗糙集模型、该模型具有什么特点以及该模型中需要解决的几个问题进行了详细讨论.然后,总结了国内外关于决策粗糙集模型的研究现状和进展,详细分析了存在的挑战性问题,并深入探讨了未来的研究方向.

基于三支标签传播的半监督属性约简

属性约简是粗糙集理论的重要应用之一.为了对部分标记的数据进行属性约简,一些基于粗糙集的半监督属性约简方法相继被提出,但这些方法在数据信息利用、运行代价、约简质量等方面仍然存在挑战.本文针对混合型分类数据,提出了一种新的基于三支标签传播的半监督属性约简(3WLPME)方法.该方法包括两个过程:三支标签传播(3WLP)和基于混合熵的启发式属性约简(MEHAR).其中,3WLP在经典标签传播算法的基础上,结合三支决策和主动学习思想,对无标签数据进行标注,并更新有标签集和无标签集.迭代执行上述过程直至收敛,可以提升最终的伪标签准确率.在MEHAR中,属性重要度由混合熵度量.基于依赖度和条件熵定义的混合熵,融合了粗糙集的代数表示和信息表示,能更深刻地反映属性的分类能力.本文对3WLP算法和MEHAR算法的有效性进行了理论分析.在UCI数据集上进行了以下仿真实验:3WLP与随机标签传播在伪标签准确率上的对比;不同属性约简算法在约简质量上的对比;3WLPME与其他基于粗糙集的半监督属性约简方法,在约简质量上的对比.实验结果验证了3WLP能获得较高的伪标签准确率;MEHAR在不降低分类准确率的前提下,能获得较小的约简;3WLPME在半监督约简过程中具有更高的效率和稳定性,说明本文所提方法是有效的.

基于粒结构的知识检索

本文以数据-信息-知识-智慧分层结构为基础,分析了三类检索系统,即数据检索系统(DRS)、信息检索系统(IRS)、知识检索系统(KRS)的特点和问题。知识检索用于满足用户对知识的需求,它将是检索系统发展的下一个重要方向。随后提出基于粒结构的知识检索能够更好地协助用户获取知识,给出了一个粒知识检索系统的模型,并以粒计算为工具讨论了一些基本问题。

基于粗糙集理论的高校教师教学质量评价系统研究

客观评价高校教师的教学质量,能够激发教师教学热情,提高教学质量。以某学院的教学质量评价数据为案例,利用粗糙集理论进行数据分析;通过对学生评教、教师自评、同行评教、督导评教、领导评教等原始数据的分析和处理,利用粗糙集属性约简和权重计算方法,剔除了考核数据中部分冗余的考核指标,并对余下的考核指标计算属性权重,最终形成对每一位教师教学质量的客观评价,收到了良好的效果。

粒计算中粒度转换的运算符

粒计算三元论模型将现有粒计算研究成果的共性抽象出来,为问题求解提供了统一的方法论,而三元论模型是以多层次、多视角的粒结构为基础的。基于图的粒结构首先定义了图上的粒和层次,然后基于半序关系定义了图上的粒结构。在基于图的粒结构基础上,给出了实现不同粒度之间转换的"细化"、"粗化"运算符。"细化"运算处理从粗粒度到细粒度的转换,将粗粒度层次中的粒转换为细粒度层次中的粒,将粗粒度层次转换为细粒度层次。"粗化"运算处理从细粒度到粗粒度的转换,将细粒度层次中的粒转换为粗粒度层次中的粒,将细粒度层次转换为粗粒度层次。通过粒结构和"细化"、"粗化"运算,可以在不同的粒度上分析同一问题并使其在不同粒度之间自由转换。

三元思维:三支决策理论与实践

给出了三元思维的概念,从三元思维角度介绍了三支决策的基本思想,即通过3个独立且相关的部分来解释和处理一个整体,将一个整体合理地分为3个部分,并采取有效的策略处理每个部分,从而获得所需要的效果。然后,综述了三支决策的几种相关模型及具体应用。最后,从模型与应用两方面回顾了三支决策的研究现状并展望了未来的研究方向。

划分序乘积空间:基于划分的粒计算模型

粒计算(granular computing)通过粒结构实现复杂问题求解.现有对粒结构中粒化方法的研究,主要是分别基于多层次的粒化方法和基于多视角的粒化方法,没有将多层次粒化方法和多视角粒化方法结合起来.基于多层次的粒化方法得到的粒结构由一个满足线性序关系的多个层构成,即单视角多层次.基于多视角的粒化方法得到的粒结构具有多个视角,但是每个视角仅有一个层.为了更全面地理解和描述问题,从而可以更有效和合理地解决问题,给定一个论域,使用划分作为粒化方法,将多层次的粒化方法和多视角的粒化方法相结合,定义划分序乘积空间.首先,使用论域上的一个划分定义一个层.其次,使用一个嵌套的划分序定义一个多层次,表示为一个视角,层和层之间具有线性序关系.最后,给定多个视角,则定义了多个线性序关系,基于多个线性序关系的乘积,定义划分序乘积空间.划分序乘积空间给出了一种基于划分的粒计算模型.通过实例说明了划分序乘积空间在实际应用中的优越性.

信息表中约简补集对及其一般定义

约简是粗糙集理论的核心研究内容,也是粗糙集区分于其他数据挖掘算法的最精彩的部分.现有约简以信息表中满足某种性质的最小属性子集为主要特征,不考虑属性集之间的相互作用和相互补充关系.从一对满足某种性质的互补属性子集出发,寻找其最小互补属性子集对,从而保障所求约简属性集对满足一定的互补性,可对实际应用中的限制条件约简进行建模.其次,从约简需保持的性质与特定划分不确定度量之间的关系出发,提出几类基本的约简补集对的一般化定义.此外,结合经典启发式约简算法,提出约简补集对的通用求解算法.最后运用一个中西医结合诊断肺炎的约简补集对求解实例说明所提算法的实用性及有效性.

三枝决策粗糙集

从贝叶斯理论出发,介绍基于三枝决策粗集理论。首先讨论在期望风险最小决策的语义下决策粗集理论基本模型的构建过程。其次,分析决策粗集三枝决策方法在不同概率区间犯错的可能性,并通过其与二枝决策及Paw-lak粗集三枝决策的差异,给出决策粗集三枝决策方法优于其他两种决策方法的成立条件。最后,提供一种利用决策粗集三枝决策解决实际问题的方法。

基于Reduct的“规则+例外”学习

一般地说,机器学习关注的是“规则”,并将规则不能覆盖的“例外”考虑为噪声.然而,大量的应用不仅需要刻画满足大多数观察的规则,同时需要显现可解释地表示例外.在情报分析与安全预警这类应用中,例外可能是更为重要的知识.对此作者描述了一类限制在结构化符号数据集合上的基于Reduct的“规则+例外”学习的理论框架,并给出了解决这个框架各个组成部分中所存在的问题的一个方案.

基于三支决策的形式概念分析、粗糙集与粒计算

三支决策是一种用“三”来思考、解决问题和处理信息的方法,即把待解决的问题分解为三个元素或者三个部分,进而再行处理。形式概念分析、粗糙集以及粒计算是当今知识发现领域中三个重要的理论。我们用三支决策的观点解释和分析形式概念分析、粗糙集以及粒计算中的基本概念、理论,并剖析它们之间的联系。

针对模糊数据近似处理的阴影集研究综述

阴影集(Shadowed set,SS)是一种对模糊集进行三支近似处理的不确定性知识发现模型,其能够对模糊集中具有精确值的不确定性对象进行有效的近似和划分,从而减少模糊决策过程中不确定性对象的决策划分成本和计算损耗.首先,回顾阴影集的发展历程,并从四个方面介绍其研究现状及内容,即阴影集的模型构建、理论性质、数据分析以及应用研究.通过总结分析它们的核心思想、方法体系、相互关系和区别等,为该领域的后续研究提供借鉴.随后,讨论分析阴影集理论与其他不确定性问题处理理论模型的联系,尤其是阴影集与模糊集、粗糙集和三支决策理论之间的区别、联系以及互补性.最后,围绕上述四个研究方面,对当前若干具有挑战性的研究问题进行分析和展望.