此篇论文提出了一种基于粗糙集的数据挖掘方法，实现了特征选择、分类和知识表示，通过相对重要性提出了粗糙集的效率和准确性，为知识表示和分类提出了粗糙概念树。实验结果表明，该框架比七种流行的或最新的特征选择方法具有更高的准确性。

Dec, 2021

本文介绍了空间颗粒、粗细关系、Meet、Join、商 Meet 和商 Join 等基本概念，并探讨了条件性粗糙集的度量和熵。

Sep, 2023

本文介绍了将对象按属性值分类的一种将 Rough 拓扑和核泛化到数值数据的方法，并探讨了发现数值数据核的新方法，并提供了相应的度量方法和算法以及用于属性约简的测试和比较结果。最后，提供了将数据转换为相关数据并找到核的算法和代码。

Jun, 2022

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

提出了一种基于模糊粗糙集理论的新型 Choquet 距离测量方法，该方法能够灵活捕捉数据中的非线性关系，结合了条件属性对决策属性的相互作用，从而使距离更加灵活和准确。在机器学习中应用该方法，特别强调基于距离的分类方法（如 k 最近邻），并研究了两种基于正区域的模糊粗糙集测量方法，以及两种从模糊粗糙集理论中推导出的使其适用于 Choquet 积分的单调化程序，并探讨了它们之间的差异。

Mar, 2024

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

基于 TOPSIS 和优化模型的方法用于环境中的多属性群体决策。通过最小化个体评价与所有专家的整体一致评价之间的差异的总和，建立新的优化模型以确定专家权重；基于 TOPSIS 方法，得出改进的评价指标用于评估每个备选方案；最后，通过建立优化模型来确定属性权重，将其纳入评价指标以对备选方案进行排名。综合以上步骤，提出了完整的模糊多属性群体决策算法，能充分发挥主观和客观权重方法的优势。通过实际案例研究验证了所提供方法的可行性和有效性。

Nov, 2023

本文提出一种通过构建数据集的抽象表示并利用空间划分的方法来加速现有的原型选择技术，将其应用于常规原型选择算法，以提高准确率同时增强减少率和缩短执行时间。

Mar, 2024

本文提出了一种基于粗集理论的规则一般性诱导方法（Rule General Abductive Learning by Rough Set，RS-ABL），用于解决信息系统中知识处理中的知识获取、纠错、减少、生成和协同处理等问题，并在解决半监督任务时具有更高的准确性。

May, 2023

本研究提出了一种基于增量互信息的改进群智能优化方法（IMIICSO），它利用粗糙集理论计算基于互信息的特征选择重要性，通过探索超样本的互信息计算，可以丢弃无用的特征，有效降低最优特征子集的基数，提高了高维大规模数据集的特征筛选的效率和精度。

Feb, 2023