颗粒球计算:一种高效、稳健、可解释的自适应多颗粒度表示和计算方法
本文首创了一个采用多粒度过滤标签噪声样本的颗粒球神经网络算法模型,解决了深度学习领域中标签噪声导致模型不稳定的问题,大大降低了训练样本中标签噪声的比例,提高了神经网络模型的鲁棒性。
Jul, 2022
本研究提出了一种新的多粒度优化算法,即颗粒球优化算法(GBO),通过引入颗粒球计算。GBO 采用很多粒度球来覆盖解决方案空间,并使用许多小而精细的粒度球来描述重要部分,以及少量大而粗粒度的粒度球来描述不相关部分,这种细粒度多粒度数据描述能力使其具有更强的全局搜索能力和更快的收敛速度,在比较 20 个基准函数的实验中,其性能更好,更快,更能逼近最优解,没有超参数,设计更简单,成为大多数现有智能优化算法的全面替代品。
Mar, 2023
提出了一种新的聚类方法,名为自适应基于颗粒 - 球分化的聚类方法,能够高效识别形状未知、复杂的聚类,同时提供了一种有效的自适应方法来描述世界,并促进了自适应、高效的 AI 技术及密度计算模型的研究和发展。
May, 2022
引入粒球计算到模糊集中,提出了一种称为粒球模糊集的框架,它比传统的模糊方法更高效、更稳健、更具扩展性,可以用于各种模糊数据处理领域,扩展到分类器支持向量机(FSVM)中以得到粒球模糊支持向量机(GBFSVM),实验证明了 GBFSVM 的有效性和效率。
Oct, 2022
本研究介绍了一种利用可证明粒度原理为质量评估的数据聚类方法,并采用二叉树修剪策略和异常检测方法确定每个 GB 的最佳子 GB 组合和识别异常 GB,从而最大化生成的 GB 质量并提高聚类准确性和归一化互信息。
May, 2024
本文提出了基于粒球计算的粒球粗糙集模型,该模型可以同时处理 Pawlak 粗糙集和邻域粗糙集所能处理的数据类型,并且可以使用等价类表示知识;此外,本文还提出了粒球粗糙集的实现算法,并在基准数据集上验证了其在学习精度和特征选择方面的优越性。
Jan, 2022
该论文介绍了粒计算中的模糊集可以通过粒状表示集合来逼近,提出了不相交和相邻的粒子的定义,并研究了新定义对粒状逼近的影响,针对二元分类问题,利用新概念分离决策区域但尽可能覆盖属性空间;对于多类分类问题,定义了多类粒状逼近,并演示了如何高效计算 Łukasiewicz 模糊联结的多类粒状逼近。
Feb, 2022
本文提出了一种基于关注机制的快速稳定 Granular ball 生成方法,并在此基础上开发了 GB$k$NN++,它可将误分类降至一定程度,实验证明此方法在 20 个公共基准数据集上的性能优于现有 GB 基分类器和经典机器学习分类器。
May, 2023
本研究修复了 GBSVM 原模型存在的问题,推导了其对偶模型,并设计了基于粒子群优化算法的算法来解决其模型,实验结果表明 GBSVM 具有良好的鲁棒性和效率。
Oct, 2022
该研究论文提出了一种新颖的框架,用于在数据预处理中进行持续特征选择,特别是在存在未知类别可能出现的开放和动态环境下。研究方法结合了持续学习和颗粒球计算的优势,构建了颗粒球知识库来检测未知类别,并促进先前学到的知识的进一步特征选择。通过对公共基准数据集的广泛实验结果表明,该方法在效果和效率方面优于现有的特征选择方法。
Mar, 2024