Attribute reduction based on evidence theory in incomplete decision systems

Attribute reduction is a basic issue in knowledge representation and data mining. This paper deals with attribute reduction in incomplete information systems and incomplete decision systems based on Dempster-Shafer theory of evidence. The concepts of plausibility reduct and belief reduct in incomplete information systems as well as relative plausibility reduct and relative belief reduct in incomplete decision systems are introduced. It is shown that in an incomplete information system an attribute set is a belief reduct if and only if it is a classical reduct and a plausibility consistent set must be a classical consistent set. In a consistent incomplete decision system, the concepts of relative reduct, relative plausibility reduct, and relative belief reduct are all equivalent. In an inconsistent incomplete decision system, an attribute set is a relative plausibility reduct if and only if it is a relative reduct, a plausibility consistent set must be a belief consistent set, and a belief consistent set is not a plausibility consistent set in general.     

粗糙集近似与信息粒度

用粗糙集近似描述了三类常见信息系统(即Pawlak信息系统、不完备信息系统、不完备模糊信息系统)中对象的基本信息粒度.通过信息系统中对象属性值关于对象属性近似空问的上近似可以得到与对象具有相同或相似信息的对象集,即利用对象属性值关于对象属性近似空间的上近似将对象属性值信息变换成为对象的基本信息粒度. .所得结论对信息系统中基本信息粒度的物理意义有了比较清楚和更加合理的解释.     

集值信息系统基于邻域关系的属性约简

集值信息系统是完备信息系统的广义形式,其中的一些对象在某些属性下的取值可能不止一个,反映的是信息的不确定性。在集值信息系统上引入对象的邻域关系,并以每个对象的邻域作为基本集,建立了集值信息系统的粗糙集方法。为了简化知识的表示,进一步在集值信息系统上提出了邻域协调集与邻域约简的概念,并讨论了这种邻域协调集的性质与判定。最后通过区分函数得到了计算集值信息系统邻域约简的方法。     

变精度极大相容块粗糙集模型及其属性约简

主要研究不完备信息系统的属性约简问题。首先基于极大相容块构造乐观和悲观两种广义变精度粗糙集模型,分析两种模型之间的关系并研究其主要性质。在此基础上,定义乐观(悲观)β-下分布约简和β-上分布约简并且给出相应的判定定理,进而得到一种保持决策类上(下)近似分布不变的属性约简方法--布尔计算方法。这种构造极大相容块间的辨识矩阵的方法缩小了矩阵的规模,进而简化了计算属性约简的过程,从而能够有效地节省计算时间和存储空间。然后对含有"丢失""不关心"值和只有"不关心"值的两种不完备信息系统进行实例分析,最后从UCI数据集中选取5组不完备信息数据集来验证方法的有效性。     

基于布尔推理的极大相容块构造方法

极大相容块是非完备信息系统中的最小知识单元,在非完备信息系统的知识表示、属性约简、粒度分析及知识获取方面有重要的应用价值。提出了一种获取非完备信息系统中极大相容块的方法。通过定义的区分关系,构造了新的布尔函数,证明了极大相容块与构造的布尔公式的素蕴含之间存在一一对应的关系。因此,这种新的布尔函数可以被用来获得系统的所有极大相容块,这将有助于非完备信息系统中的知识获取。     

Attribute reduction in ordered information systems based on evidence theory

Attribute reduction is one of the most important problems in rough set theory. However, in real-world lots of information systems are based on dominance relation in stead of the classical equivalence relation because of various factors. The ordering properties of attributes play a crucial role in those systems. To acquire brief decision rules from the systems, attribute reductions are needed. This paper deals with attribute reduction in ordered information systems based on evidence theory. The concepts of plausibility and belief consistent sets as well as plausibility and belief reducts in ordered information systems are introduced. It is proved that a plausibility consistent set must be a consistent set and an attribute set is a belief reduct if and only if it is a classical reduction in ordered information system.     

决策表属性约简的相对信息量表示

知识约简是粗糙集理论研究的主要内容之一,该文在信息系统中引入了知识的相对信息量的概念。对一致决策表,证明了其属性约简在代数表示下和相对信息量表示下是等价的,但对不一致决策表,举例说明其属性约简的代数表示不能用相对信息量来等价表示。由此可见,相对信息量表示比代数表示直观,但不能完全代替代数表示方法。     

结构增强的属性网络表示学习

属性网络表示学习旨在结合结构信息与属性信息为网络中的节点学习统一的向量表示。现有的属性网络表示学习方法在学习属性信息时与其互补的结构信息增强不足,从而影响最终表示。针对这一问题,提出一种结构增强的属性网络表示学习方法,以提高表示质量。该方法基于网络归一化邻接矩阵和属性矩阵通过自动编码器提取增强网络全局结构特性的属性信息,使用skip-gram模型捕捉局部结构信息,引入一个联合损失函数使结构信息与属性信息在同一向量空间中得以表示。在三个真实属性网络数据上进行节点分类和链路预测实验,效果较目前流行的网络表示学习方法优势明显。     

基于信息熵的核属性增量式高效更新算法

针对基于信息熵求核算法效率不理想的情况,给出信息观下的二进制差别矩阵定义,理论上证明基于信息熵的核属性与基于二进制差别矩阵的核属性等价;并将决策表划分为相容的对象集和不相容的对象集,缩小求核算法的搜索空间;然后针对动态的决策表,研究核属性的增量更新机制,由此构造一种基于信息熵的核属性增量式高效更新算法。实例分析与实验结果验证文中算法优于同类求解算法。     

基于邻域粒化的混合信息系统动态规则提取

现有的混合信息系统知识发现模型涵盖的数据类型大多为符号型、数值型条件属性及符号型决策属性,且大多数模型的关注点是属性约简或特征选择,针对规则提取的研究相对较少。针对涵盖更多数据类型的混合信息系统构建一个动态规则提取模型。首先修正了现有的属性值距离的计算公式,对错层型属性值的距离给出了一种定义形式,从而定义了一个新的混合距离。其次提出了针对数值型决策属性诱导决策类的3种方法。其后构造了广义邻域粗糙集模型,提出了动态粒度下的上下近似及规则提取算法,构建了基于邻域粒化的动态规则提取模型。该模型可用于具有以下特点的信息系统的规则提取： （1）条件属性集可包括单层符号型、错层符号型、数值型、区间型、集值型、未知型等; （2）决策属性集可包括符号型、数值型。利用UCI数据库中的数据集进行了对比实验,分类精度表明了规则提取算法的有效性。     

区间集值信息系统中的粗糙集理论

介绍集值信息系统和区间值信息系统,并提出了同时具有这两种系统特点的区间集值信息系统.依据属性值的语义关系,将区间集值信息系统分为两类：析取（I型）和合取（II型）系统,并对其分别提出了基于优势关系的粗糙集模型,讨论了相关性质.最后用实例分析验证了所提出系统的有效性.     

不协调集值决策信息系统的属性约简

给出了不协调集值决策信息系统的两种属性约简方法：分配约简和部分一致约简。分配约简保持所有对象的可能决策类不变,部分一致约简保持部分对象的一致决策不变。给出了这些约简的判定定理和辨识矩阵,从而得到了属性约简的具体操作方法。     

合成随机信息系统的属性约简方法

基于一般随机信息系统上的属性约简方法讨论合成随机信息系统上的属性约简问题,分析它与原随机信息系统上属性约简问题之间的联系,并尝试讨论其上、下近似算子之间的关系,发现合成随机信息系统上的协调集可以通过两个原随机信息系统的协调集来构造;另一方面从包含度的角度讨论属性约简问题,验证合成随机信息系统上的包含度和原随机信息系统上包含度之间是否存在等价关系。最后通过实例验证了得出的结论。     

一种基于结构分解和因子分析的贝叶斯网络隐变量发现算法

通过研究粗糙集与图论的关系,提出了以集合为权的加权多重完全多部图的概念,定义了加权多重完全多部图的邻接矩阵,得到了加权完全多部图与决策表的映射关系;给出了粗糙集决策表信息系统的图论形式和决策表信息系统属性约简的图论方法,并根据图论理论对算法进行了优化;得到了在决策表信息系统中,属性的集合不可以约简的充分必要条件;并进一步提出了基于属性置信度的计算方法和多决策属性的处理方法。编程实验结果证明该方法能有效地降低时间和空间复杂度。     

基于多相似性度量和集合编码的属性对齐方法

属性对齐的目标是发现异构知识图谱中表示同一概念的属性之间的对应关系,是实现跨图谱知识融合的关键技术之一。现有模型通常利用基于规则和词嵌入的方法进行属性对齐,但这些方法仍存在以下两个问题:相似性度量不全面和属性实例信息未被充分利用。针对上述问题,该文提出了基于多相似性度量的属性对齐模型,通过多个角度设计相似性度量方法来获取属性间的相似性特征,并利用机器学习模型进行特征聚合。同时,为了充分利用属性的实例信息,在上述模型框架下提出了属性实例集合表示学习算法,通过将属性实例集合编码为向量来提取集合间的主题相似性,从而辅助属性对齐。在属性对齐数据集上的实验验证了模型的有效性,实验还表明,集合的表示学习算法能够有效捕捉属性实例的主题特征,并显著提升属性对齐结果。     

决策表属性约简及其条件信息量表示

讨论了决策表属性约简和条件信息量之间的关系,证明了对于一致决策表,其属性约简在代数表示下和信息论中条件信息量表示下是等价的。并举例说明,对于不一致决策表,其属性约简的代数表示不能用条件信息量来等价表示。论文还给出了一种基于条件信息量的属性约简启发式算法。     

基于最小描述长度原则的属性图概要方法

图概要技术是管理、分析和可视化大规模图的关键技术之一。如何综合结构和属性信息进行图概要是一个挑战。大部分现有的图概要方法或者只考虑结构或属性某一方面的信息,或者要求属性的表现形式是一致的。结合信息论中最小描述长度原则,对属性图概要问题建模,将其转化为求解最小表示代价问题,以实现图压缩和图概要的双重目标。提出了一种计算节点属性相似性的方法,该属性度量方法对节点属性的限制较小,并且将节点间的相似性统一为存储代价,实现了节点结构相似和属性相似的协同考虑。提出了两种求解最小代价表示的图概要算法。在真实和合成的数据集上实验,验证了提出算法的有效性。     

在不完备信息系统中基于VPRSM的约简异常分析

属性约简问题的关键在于约简集合能否表达与原属性集完全一致的信息。分析了完备信息系统中基于变精度粗糙集模型属性约简异常出现的原因,并将其扩展到不完备信息系统中,在文献[1]的基础上,给出了不完备信息系统中基于集对分析的VPRSM的约简定义,既能保证在不完备信息系统中基于变精度约简的准确性,又能增加灵活性和容噪能力。