随着全球信息化的高速发展,高维数据挖掘与知识发现成为了人工智能领域亟待破解的科学问题之一.然而,由于高维数据中样本的稀疏性与特征的冗余性,传统统计学模型和机器学习方法的泛化性和可解释性遇到极大的挑战.为此,针对高维数据与知...随着全球信息化的高速发展,高维数据挖掘与知识发现成为了人工智能领域亟待破解的科学问题之一.然而,由于高维数据中样本的稀疏性与特征的冗余性,传统统计学模型和机器学习方法的泛化性和可解释性遇到极大的挑战.为此,针对高维数据与知识弱演化能力之间不平衡的科学问题,利用三支概念求解复杂问题的认知机理,提出了一种新的概念建模方法,即稳健模糊概念认知学习(fuzzy-based concept-cognitive learning with robustness,R-FCCL).首先,借助概念的最大相似性原则,建立了基于RFCCL的高维数据分类系统,并从概念的角度出发,研究了高维数据的知识结构和认知学习机理.进一步,利用模糊三支概念的正、负算子从2个不同的角度刻画了模糊环境概念认知学习过程,进而基于概念融合的模糊三支概念完成概念辨识和数据分类.通过在12个真实数据集与12种分类方法的实验分析,验证所提方法具有较好的鲁棒性和有效性.展开更多
提出了一种模糊最优间隔分布矩阵分类器(Fuzzy Optimal-margin Distribution Matrix Classifier,FODMC)。该模型通过整合模糊隶属度理论与间隔分布优化机制,实现了矩阵结构信息的有效提取与异常值的鲁棒处理。具体而言,FODMC采用基于间...提出了一种模糊最优间隔分布矩阵分类器(Fuzzy Optimal-margin Distribution Matrix Classifier,FODMC)。该模型通过整合模糊隶属度理论与间隔分布优化机制,实现了矩阵结构信息的有效提取与异常值的鲁棒处理。具体而言,FODMC采用基于间隔分布的损失函数来优化分类边界,结合核范数正则化策略保持矩阵的低秩特性,并利用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)实现模型的高效训练。在多个基准数据集上的实验结果表明:与现有方法相比,FODMC在分类准确率、鲁棒性和泛化能力等方面均展现出显著优势,为矩阵数据分类问题提供了一种有效的解决方案。展开更多
文摘随着全球信息化的高速发展,高维数据挖掘与知识发现成为了人工智能领域亟待破解的科学问题之一.然而,由于高维数据中样本的稀疏性与特征的冗余性,传统统计学模型和机器学习方法的泛化性和可解释性遇到极大的挑战.为此,针对高维数据与知识弱演化能力之间不平衡的科学问题,利用三支概念求解复杂问题的认知机理,提出了一种新的概念建模方法,即稳健模糊概念认知学习(fuzzy-based concept-cognitive learning with robustness,R-FCCL).首先,借助概念的最大相似性原则,建立了基于RFCCL的高维数据分类系统,并从概念的角度出发,研究了高维数据的知识结构和认知学习机理.进一步,利用模糊三支概念的正、负算子从2个不同的角度刻画了模糊环境概念认知学习过程,进而基于概念融合的模糊三支概念完成概念辨识和数据分类.通过在12个真实数据集与12种分类方法的实验分析,验证所提方法具有较好的鲁棒性和有效性.
文摘提出了一种模糊最优间隔分布矩阵分类器(Fuzzy Optimal-margin Distribution Matrix Classifier,FODMC)。该模型通过整合模糊隶属度理论与间隔分布优化机制,实现了矩阵结构信息的有效提取与异常值的鲁棒处理。具体而言,FODMC采用基于间隔分布的损失函数来优化分类边界,结合核范数正则化策略保持矩阵的低秩特性,并利用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)实现模型的高效训练。在多个基准数据集上的实验结果表明:与现有方法相比,FODMC在分类准确率、鲁棒性和泛化能力等方面均展现出显著优势,为矩阵数据分类问题提供了一种有效的解决方案。
