粗糙集理论是一个可以通过提供概念下限和上限的近似来处理不一致数据的著名数学框架。本研究关注于模糊量词型模糊粗集的领域,并发现了广义 FQFRS 模型的粒状表示,强调了这些模型在解决数据不一致性和管理噪音方面的潜力。
Dec, 2023
介绍了基于有序加权平均和 Choquet 的模糊粗糙集,在机器学习应用中能提供更大的灵活性,特别是在离群样本检测算法的无缝集成方面,以增强基于模糊粗糙集的机器学习算法的鲁棒性。
Feb, 2022
模糊推理在日常环境中对于使用不精确信息至关重要,本文引入了一个新的基准 FRoG,用于对模糊推理进行评估,实验结果表明大型语言模型在处理模糊推理方面仍面临重大挑战,并且现有的增强推理方法在涉及模糊逻辑的任务中并不一致地提高性能。此外,我们的结果显示了大型语言模型在 FRoG 上的逆比例缩放效应,有趣的是,我们还证明了强大的数学推理技能并不一定意味着在我们的基准测试中取得成功。
Jul, 2024
本文提出四种基于模糊覆盖重叠函数和蕴含逻辑的模糊邻域算子,并探讨了有限模糊覆盖下一些邻域算子之间的关系。同时,还基于不同的模糊逻辑算子提出了两种基于邻域算子的粗糙集模型,并提出了一种新的模糊 TOPSIS 方法来解决生物合成纳米材料的选择问题。
May, 2022
模糊粗糙规则诱导(FRRI)是一种能够生成精确而又简短规则集的新型规则诱导算法,通过将模糊和粗糙集理论结合,提供了对机器学习中解释性问题的一种解决方案。
Mar, 2024
本文基于交叉和分组函数,首次给出了 $(O,G)$- 粒度变量精度模糊粗糙集的描述,提出了一种利用模糊蕴含和联合的上下逼近算子表达式,并从构建方法的角度,用不同的模糊关系表示粒度变量精度模糊粗糙集。最后,在一些额外条件下,将粒度变量精度模糊粗糙集的结论扩展到 $(O,G)$- 粒度变量精度模糊粗糙集。
本文从理论上对有理逼近、粒度等级粗糙集与变精度粗糙集的关系进行研究,提出了一个有理逼近的框架,并给出了若干应用实例。
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
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。
本篇研究提出了一种基于元模型的不确定性量化框架,可用于任何具备二元分类器的黑盒模型,并探讨了这一框架的实用性及其在不同场景下的性能
Nov, 2022