随机集合推理：未来的计划
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。
Feb, 2022
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
研究一种名为随机世界方法的方法，该方法基于不同可能的世界同等可能的原则来诱导信念度数，从而在定量概率推理中集成了定性默认推理，可以应用于许多其他非演绎性推理系统所无法处理的问题。
Jul, 2003
我们从 PAC-Bayesian 的角度提出了数据相关的均匀泛化界，通过将训练算法输出的数据相关假设集应用于随机集的严格方法，我们证明了数据相关的界，适用于多种情境，并将此方法应用于基于分形维度的泛化界和连续 Langevin 动力学以及随机梯度 Langevin 动力学的轨迹上，这些结果为噪声算法的泛化特性提供了新的信息。
Apr, 2024
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
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
研究论文旨在探讨统计学习理论中的中心概念，如实现性和泛化性，如何在训练和测试分布来自同一可信集合（即概率分布的凸集）的假设下推广，这可视为在不确定性认知下的统计学习更一般处理的第一步。
Feb, 2024