刘，叶;郑丽迪;秀、冶良;尹、洪;赵素云;王希钊;陈，洪;李翠萍 基于区分矩阵的融合决策表增量特征选择。 （英语） Zbl 1468.68237号 国际J近似推理 118, 1-26 (2020). 摘要：在粗糙集理论中，每一组数据都可以看作是一个模糊决策表。由于决策表随时间和空间动态增加，这些决策表被集成到一个新的决策表中，称为融合决策表。本文通过优化差别矩阵的存储空间约束，设计了一种融合决策表的增量特征选择方法。本文应用可分辨矩阵的拟/伪值而不是可分辨矩阵的真值来设计增量机制。与基于可辨矩阵的非增量算法不同，改进后的算法不需要将整个可辨矩阵保存在主存中，这对于大型数据集是很理想的。更重要的是，随着决策表的增加，基于区分矩阵的特征选择算法可以通过应用有效的信息更新技术——准/伪近似算子来限制计算成本。最后，我们的实验表明，在精度损失有限的情况下，该算法所需的计算开销较小，尤其是占用的空间较小。 引用于7文件 MSC公司： 68层37 人工智能背景下的不确定性推理 68T05型 人工智能中的学习和自适应系统 关键词：增量学习;特征选择;模糊粗糙集;区分矩阵;融合决策表 软件：RRIA公司 PDF格式BibTeX公司 XML格式引用 \textit{Y.Liu}et al.，Int.J.近似推理118，1--26（2020；Zbl 1468.68237） 全文： 内政部 参考文献： [1] Pawlak，Z.，《粗糙集：数据推理的理论方面》，第9卷（2012），施普林格科学与商业媒体 [2] Pawlak，Z。；Skowron，A.，粗糙集：一些扩展，信息科学。，177, 1, 28-40 (2007) ·Zbl 1142.68550号 [3] 杜恩施，I。；Gediga，G.，粗糙集预测的不确定性度量，Artif。智力。，106, 1, 109-137 (1998) ·Zbl 0909.68040号 [4] 钱，Y。；梁，J。；佩德里茨，W。；Dang，C.，《正逼近：粗糙集理论中属性约简的加速器》，Artif。智力。，174, 9-10, 597-618 (2010) ·Zbl 1205.68310号 [5] 吴维珍。；梁，Y。；Mi，J.-S.，《形式上下文中的粒度计算和知识约简》，IEEE Trans。知识。数据工程，21，10，1461-1474（2009） [6] Lingras，P。；陈，M。；Miao，D.，基于决策理论的粗糙聚类质量指数，IEEE Trans。知识。数据工程，21，7，1014-1026（2009） [7] Yager，R.R.，参与式学习与细粒度观察，IEEE Trans。模糊系统。，17, 1, 1-13 (2009) [8] Yao，Y.，《认知信息学和粒度计算中的概念学习解释》，IEEE Trans。系统。人类网络。，B部分，网络。，39, 4, 855-866 (2009) [9] 劳里·J。；Tang，Y.，使用标签和标签表达式的粒度知识表示和推理，IEEE Trans。模糊系统。，18, 3, 500-514 (2010) [10] 刘，D。；李·T。；阮，D.，具有决策论粗糙集的概率模型准则，信息科学。，181、17、3709-3722（2011年） [11] 戴J。；胡，H。；吴维珍。；钱，Y。；Huang，D.，模糊粗糙集中基于最大可分辨对的属性约简方法，IEEE Trans。模糊系统。，26, 4, 2174-2187 (2018) [12] 戴J。；徐，Q，模糊粗糙集理论中基于信息增益比的属性选择及其在肿瘤分类中的应用，应用。软计算。，13, 1, 211-221 (2013) [13] 王，C。；齐，Y。；邵，M。；胡，Q。；陈，D。；钱，Y。；Lin，Y.，模糊粗糙集特征选择的拟合模型，IEEE Trans。模糊系统。，25, 4, 741-753 (2017) [14] 王，C。；胡，Q。；王，X。；陈，D。；钱，Y。；Dong，Z.，基于邻域判别指数的特征选择，IEEE Trans。神经网络。学习。系统。，29, 7, 2986-2999 (2018) [15] 张海燕。；Yang，S.-Y.，基于α优势定量粗糙集的大规模集值决策表的特征选择和近似推理，信息科学。，378, 328-347 (2017) ·Zbl 1429.68305号 [16] 王，C。；何，Q。；Shao先生。；Hu，Q.，基于最大邻域可分辨性的特征选择，Int.J.Mach。学习。赛博。，9, 11, 1929-1940 (2018) [17] 翟俊华。；Xu，H.-y。；王晓智，基于样本熵的动态集成极值学习机，软计算。，16, 9, 1493-1502 (2012) [18] 安，S。；胡，Q。；佩德里茨，W。；朱，P。；Tsang，E.C.，数据分布感知模糊粗糙集模型及其在稳健分类中的应用，IEEE Trans。赛博。，46, 12, 3073-3085 (2016) [19] 张海燕。；Yang，S.-Y.，基于α优势定量粗糙集的大规模集值决策表的特征选择和近似推理，信息科学。，378, 328-347 (2017) ·Zbl 1429.68305号 [20] 陈，H。；李·T。；罗，C。；霍恩，S.-J。；Wang，G.，动态数据挖掘的决策理论粗糙集方法，IEEE Trans。模糊系统。，23, 6, 1958-1970 (2015) [21] 盖恩，I。；Elisseeff，A.，《变量和特征选择简介》，J.Mach。学习。决议，31157-1182（2003年3月）·Zbl 1102.68556号 [22] Ye，J。；李强。；熊，H。；帕克，H。；Janardan，R。；Kumar，V.，IDR/QR：通过QR分解的增量降维算法，IEEE Trans。知识。数据工程，17，9，1208-1222（2005） [23] Zhang，Y。；陈，S。；王，Q。；Yu，G.，（i^2）MapReduce:用于挖掘不断发展的大数据的增量MapReduce，IEEE Trans。知识。数据工程师，1906-1919年7月27日（2015年） [24] 朱，L。；庞，S。；Sarrafzadeh，A。；Ban，T。；Inoue，D.，在线半监督学习的增量和减量最大流量，IEEE Trans。知识。数据工程，28，8，2115-2127（2016） [25] 风扇，W。；李，J。；Tang，N.，分布式数据不一致性的增量检测，IEEE Trans。知识。数据工程，26，6，1367-1383（2014） [26] 塔里，L。；Tu，P.H。；哈肯伯格，J。；陈，Y。；儿子，T.C。；Gonzalez，G。；Baral，C.，使用关系数据库的增量信息提取，IEEE Trans。知识。数据工程，24，1，86-99（2012） [27] 曾，A。；李·T。；胡，J。；陈，H。；罗，C.，属性值变化下混合数据的动态更新模糊粗糙近似，信息科学。，378363-388（2017）·兹比尔1429.68304 [28] 罗，C。；李·T。；陈，H。；Fujita，H。；Yi，Z.，分层多准则分类的增量粗糙集方法，Inf.Sci。，429, 72-87 (2018) ·Zbl 1436.68352号 [29] Jing，Y。；李·T。；Fujita，H。；Yu，Z。；Wang，B.，一种基于知识粒度和多粒度视图的增量属性约简方法，Inf.Sci。，411, 23-38 (2017) [30] 黄，Y。；李·T。；罗，C。；Fujita，H。；Horn，S.-j.，基于矩阵的数据挖掘动态更新粗糙模糊近似，Knowl-基于系统。，119, 273-283 (2017) [31] Jing，Y。；李·T。；黄，J。；陈，H。；Horn，S.-J.，《具有不同数据值的组增量约简算法》，国际期刊Intell。系统。，32, 9, 900-925 (2017) [32] 张杰。；李·T。；阮，D。；Liu，D.，集值信息系统中基于粗糙集的动态属性变化矩阵方法，国际期刊近似推理。，53, 4, 620-635 (2012) ·Zbl 1255.68160号 [33] 曾，A。；李·T。；胡，J。；陈，H。；罗，C.，属性值变化下混合数据的动态更新模糊粗糙近似，信息科学。，378, 363-388 (2017) ·Zbl 1429.68304号 [34] 曾，A。；李·T。；刘，D。；张杰。；陈浩，用于混合信息系统增量特征选择的模糊粗糙集方法，模糊集系统。，258, 39-60 (2015) ·Zbl 1335.68274号 [35] 张杰。；Wong，J.-S。；潘，Y。；Li，T.，《不完备信息系统中基于并行矩阵的近似计算方法》，IEEE Trans。知识。数据工程，27，2，326-339（2015） [36] 梁，J。；Wang，F。；Dang，C。；Qian，Y.，应用粗糙集技术进行特征选择的组增量方法，IEEE Trans。知识。数据工程，26，2，294-308（2014） [37] 冯·H。；王，G。；海，H。；Yu，W.，基于初等集的增量属性约简，（2005年粗糙集国际会议）·Zbl 1134.68471号 [38] Liu，Z.-T.，属性最小约简的增量算法，电子学报。罪。，27, 11, 96-98 (1999) [39] 奥洛斯卡，M.E。；Orlowski，M.W.，《动态信息系统中知识的维护》（Intelligent Decision Support，1992），施普林格出版社，315-329 [40] Ming，Y.，基于改进区分矩阵的属性约简增量更新算法，中国计算机学会。，5 (2006) [41] 北掸邦。；Ziarko，W.，《基于数据的采集和分类规则的增量修改》，计算。智力。，11, 2, 357-370 (1995) [42] Bang，W.C。；Bien，Z.，粗糙集理论框架下的增量归纳学习算法及其应用，Int.J.Fuzzy Syst。，1，1，25-36（1999年） [43] Wang，L。；Wu，Y。；王国勇，基于变精度粗糙集模型的增量式规则获取算法，重庆友电学院学报，17，6，709-713（2005） [44] 张杰。；李·T。；阮，D。；Liu，D.，动态数据挖掘的邻域粗糙集，Int.J.Intell。系统。，27, 4, 317-342 (2012) [45] 李，S。；李·T。；Liu，D.，对象集变化下基于优势的粗糙集方法中近似值的动态维护，Int.J.Intell。系统。，28, 8, 729-751 (2013) [46] Chan，C.-C.，数据挖掘中属性泛化的粗糙集方法，信息科学。，107, 1-4, 169-176 (1998) [47] Cheng，Y.，快速计算粗糙模糊近似的增量方法，数据知识。工程师，70，1，84-100（2011） [48] 李·T。；阮，D。；Geert，W。；宋，J。；Xu，Y.，数据挖掘中基于粗糙集的动态属性泛化特征关系方法，Knowl-基于系统。，20, 5, 485-494 (2007) [49] 罗，C。；李·T。；Chen，H.，属性泛化下集值有序决策系统近似的动态维护，信息科学。，257, 210-228 (2014) ·Zbl 1320.68142号 [50] Yong，L.公司。；丛福，X。；Yunhe，P.，基于改进区分矩阵的并行近似规则提取算法，（计算机科学讲义，第3066卷（2004）），498-503·Zbl 1103.68888号 [51] 郑，Z。；Wang，G.，RRIA：基于粗糙集和规则树的增量知识获取算法，Fundam。通知。，59, 2-3, 299-313 (2004) ·Zbl 1098.68711号 [52] Yang，Y。；陈，D。；Wang，H。；曾荫权（Tsang，E.C.）。；张，D.，基于模糊粗糙集的动态数据增量属性约简，模糊集系统。，31266-86（2017）·Zbl 1368.68301号 [53] 迪奥·R。；北卡罗来纳州麦克·帕塔兰。；沈庆，用模糊粗糙集进行动态特征选择，（2013 IEEE国际模糊系统会议，2013 IEEE模糊系统国际会议，FUZZ-IEEE（2013），IEEE），1-7 [54] 梁，J。；秦，K.-S。；Dang，C。；Yam，R.C.，《粗糙集理论中测量不确定性和模糊性的新方法》，《国际遗传系统杂志》。，31, 4, 331-342 (2002) ·Zbl 1010.94004号 [55] 梁，J。；施，Z.，粗糙集理论中的信息熵、粗糙熵和知识粒化，国际不确定性杂志。模糊知识-基于系统。，12, 01, 37-46 (2004) ·Zbl 1074.68072号 [56] 王，C。；邵，M。；何，Q。；钱，Y。；Qi，Y.，基于模糊邻域粗糙集的特征子集选择，Knowl-基于系统。，111173-179（2016） [57] 罗，C。；李·T。；陈，H。；Lu，L.，在更新标准值的同时计算集值决策系统中的粗略近似的快速算法，Inf.Sci。，299, 221-242 (2015) ·Zbl 1360.68842号 [58] 黄，Y。；李·T。；罗，C。；Fujita，H。；Horn，S.-j.，基于矩阵的数据挖掘动态更新粗糙模糊近似，Knowl-基于系统。，119, 273-283 (2017) [59] Yang，Y。；陈，D。；Wang，H.，基于主动样本选择的粗糙集属性约简增量算法，IEEE Trans。模糊系统。，25, 4, 825-838 (2017) [60] Yang，M.，基于改进区分矩阵的属性约简增量更新算法，Chin。J.计算。，琴。第30、5、815版（2007年） [61] Greco，S。；马塔拉佐，B。；Slowinski，R.，《多准则决策分析的粗糙集理论》，欧洲期刊Oper。第129、1、1-47号决议（2001年）·Zbl 1008.91016号 [62] Kryszkiewicz，M。；Lasek，P.，Fun:快速发现功能上决定决策属性的最小属性集（Transactions on Rough sets IX（2008），Springer），76-95 [63] 方，Y。；Min，F.，《三方决策的成本敏感近似属性约简》，《国际期刊近似原因》。，104, 148-165 (2019) ·Zbl 1452.68208号 [64] 李伟（Li，W.）。；贾，X。；Wang，L.W。；周，B.，三元决策理论粗糙集模型中的多目标属性约简，国际期刊近似推理。，105, 327-341 (2019) ·Zbl 1452.68216号 [65] 马，X。；Zhao，X.R.，成本敏感三元类特定属性约简，国际期刊近似推理。，105, 153-174 (2019) ·Zbl 1452.68219号 [66] 奥洛斯卡，M.E。；Orlowski，M.W.，《动态信息系统中知识的维护》（1992） [67] Yeung，D.S。；陈，D。；曾荫权（Tsang，E.C.）。；Lee，J.W。；西照，W.，《模糊粗糙集的推广》，IEEE Trans。模糊系统。，13, 3, 343-361 (2005) [68] Dubois，D。；Prade，H.，《粗糙模糊集与模糊粗糙集》，《国际遗传学系统》。，191-209年3月17日（1990年）·Zbl 0715.04006号 [69] 曾荫权（Tsang，E.C.）。；陈，D。；Yeung，D.S。；王晓珍。；Lee，J.W.，《使用模糊粗糙集进行属性约简》，IEEE Trans。模糊系统。，16, 5, 1130-1141 (2008) [70] 赵，S。；曾荫权（Tsang，E.C.）。；陈，D.，模糊变精度粗糙集模型，IEEE Trans。模糊系统。，17, 2, 451-467 (2009) [71] 胡，Q。；张，L。；安，S。；张，D。；Yu，D.，关于鲁棒模糊粗糙集模型，IEEE Trans。模糊系统。，20, 4, 636-651 (2012) [72] Jensen，R。；Mac Parthaláin，N.，朝向可扩展模糊粗糙特征选择，信息科学。，323，1-15（2015）·兹比尔1390.68534 [73] 胡，Q。；Yu，D。；Xie，Z.，基于模糊粗糙技术的信息保留混合数据约简，模式识别。莱特。，27, 5, 414-423 (2006) [74] 巴特·R·B。；Gopal，M.，《模糊粗糙集特征选择方法》，模式识别。莱特。，26, 7, 965-975 (2005) [75] Jensen，R。；Shen，Q.，模糊粗糙属性约简及其在web分类中的应用，模糊集系统。，141, 3, 469-485 (2004) ·Zbl 1069.68609号 [76] 沈（音）。；Jensen，R.，用模糊粗糙集选择信息特征及其在复杂系统监控中的应用，模式识别。，37, 7, 1351-1363 (2004) ·Zbl 1070.68600号 [77] 高，C。；赖，Z。；周，J。；Wen，J。；Wong，W.K.，基于粒度最大决策熵的属性约简单调不确定性测度，国际期刊近似推理。，104, 9-24 (2019) ·Zbl 1452.68210号 [78] 王，C。；Shi，Y。；范，X。；Shao，M.，基于k-最近邻域粗糙集的属性约简，国际期刊近似推理。，105, 112-129 (2019) ·Zbl 1452.68236号 [79] 魏，W。；吴，X。；梁，J。；崔，J。；Sun，Y.，基于区分矩阵的动态数据增量属性约简，Knowl-基于系统。，140, 142-157 (2018) [80] Jing，Y。；李·T。；Fujita，H。；王，B。；Cheng，N.，动态数据挖掘的增量属性约简方法，信息科学。，465, 202-218 (2018) ·Zbl 1441.68207号 [81] 谢，X。；Qin，X.，动态不完全决策系统的一种新的增量属性约简方法，Int.J.Approximate Reason。，93, 443-462 (2018) ·Zbl 1452.68235号 [82] 魏，W。；宋，P。；梁，J。；Wu，X.，通过压缩决策表加速增量属性约简算法，Int.J.Mach。学习。赛博。，1-19 (2018) [83] 陈，D。；Yang，Y。；Dong，Z.，变精度粗糙集属性约简的增量算法，应用。软计算。，45, 129-149 (2016) [84] 舒，W。；Qian，W.，粗糙集理论中动态不完备决策系统属性约简的增量方法，数据知识。工程，100116-132（2015） [85] Jing，Y。；李·T。；黄，J。；张勇，一种基于知识粒度的属性泛化增量式属性约简方法，国际期刊近似推理。，76，80-95（2016）·兹比尔1385.68047 [86] 网址：http://www.ics.uci.edu/mlearn/MLRepository.html 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。