Feb, 2022

运用认知随机模糊集对模糊和不确定证据进行推理的通用框架及实用模型

PDF
TL;DR本文提出了一种关于认知随机模糊集的普遍理论，用于处理模糊或清晰证据，并通过广义的乘积交集规则进行独立认知随机模糊集的组合，提出了用于量化标量或矢量量，即高斯随机模糊数和多维高斯随机模糊向量的实用模型，并为组合、投影和平凡扩展推导了高斯随机模糊数和向量的公式。
发现论文，激发创造
  • 一种适用于因果推理的基本概率模糊逻辑框架

    该论文介绍了一个基础框架，用于创建概率论和模糊逻辑之间的桥梁，提出了一种将随机实验与具有某种模糊属性的清晰元素的选择联系起来的方法，并介绍了在因果推断中应用该框架的实例。

    May, 2022

  • 随机集合推理：未来的计划

    未来对于随机集合和置信函数理论的研究有以下的主要领域：完善统计推理理论，包括逻辑回归和经典概率定律的推广；进一步发展不确定性的几何方法，包括普适随机集合、更广泛的不确定性度量和替代的几何表示方法；将新理论应用于气候变化、机器学习和统计学习等高影响领域。

    Dec, 2023

  • 认知深度学习

    该论文介绍了一种基于随机集合解释置信度函数的认知深度学习概念，提出了一种新的随机集合卷积神经网络用于分类，并通过实验表明该认知方法在估计不确定性方面比传统方法具有更好的性能。

    Jun, 2022

  • 基于高斯随机模糊数的证据时间事件预测模型

    我们引入了一种基于证据的模型，用于预测具有被审查数据的事件发生时间。该模型使用高斯随机模糊数量来量化事件时间的不确定性，这是一种新引入的与信任函数相关的实数随机模糊子集族，可以推广高斯随机变量和高斯可能性分布。我们的方法对于底层事件发生时间分布做出了最小化的假设。通过最小化同时考虑正常和被审查数据的广义负对数似然函数，我们对模型进行了拟合。对两个真实世界数据集进行的比较实验证明了我们模型相对于现有技术的非常好的性能。

    Jun, 2024

  • 一种针对冲突和不确定证据的信念模型 —— 连接 Dempster-Shafer 理论和证据拓扑

    本论文提出了一种新的模型，结合了 Dempster-Shafer Theory 和 Evidence 的拓扑模型，可以根据不同标准计算代理的（可能）不同的信念程度，并解决了计算这些程度的问题的 #P-complete 问题。

    Jun, 2023

  • 概率和模糊逻辑的潜力注解

    本文主要介绍模糊集、模糊逻辑、概率逻辑以及在数据驱动的现实问题中出现的不确定性等数学概念。

    Sep, 2022

  • 基于过滤的学习理性认知图约束的通用方法

    本文介绍了一种使用基于筛选的方法生成理性规则的框架，该方法使用多方泛化步骤基于每个代理对不同论点的信念和对应于先验认知限制的认知图生成一组理性规则，并针对决策合理规则的公设提出了一种分析数据集合理性的标准。我们在两个数据集上评估这种方法，实证结果表明，与原始框架相比，基于筛选的方法具有更好的效率，并且生成的规则被保证是合理的。

    Nov, 2022

  • 归纳推理的一般非概率理论

    通过定义和说明，本文提出了一种新的解决方案来代表非概率性信念状态，并将其与概率理论进行比较，发现新理论在结构上类似于概率理论，但更容易实现，并且在某些方面更为简单。

    Mar, 2013

  • 一般粗糙集合中合格聚合的代数模型与推理偏差发现

    在广义粗糙集中，将两个事物结合形成另一个事物并不简单。本研究创造了结合事物的代数模型，用于研究人类推理中的怀疑主义或悲观主义聚合以及可能性聚合，并且选择的运算受到了视角的限制。该模型还适用于研究人类推理中的歧视性 / 有害行为以及学习此类行为的机器学习算法。

    Aug, 2023

  • 模糊性、不确定性与软集：前沿与展望

    本文介绍了从 Zadeh 的模糊理论、Atanassov 的直觉模糊集合、Smarandache 的不确定性和 Molodstov 的软集合之间的主要步骤，提出了两种改进的混合评估和决策方法，并介绍如何将拓扑空间的概念扩展到模糊结构和如何在这种结构中推广极限、连续、紧致和 Hausdorff 空间的基本数学概念。

    Nov, 2022