الحوسبة الحبيبية (تكوير المعلومات)
- قدّمه
- Lotfi A. Zadeh (information granulation); developed by Pedrycz, Skowron, Yao
- السنة
- 1997
- النوع
- Framework for multi-granularity information processing
- العائلة
- Granular computing
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
الحوسبة الحبيبية هي نموذج لحل المشكلات يعالج المعلومات في 'حبيبات' - تجمعات من الكائنات التي تجمعها عدم القابلية للتمييز أو التشابه أو الوظيفة - بدلاً من مستوى نقاط البيانات الفردية. طرحها لطفي زادة في عام 1997 باسم تكوير المعلومات الضبابية وطورها إلى إطار عمل واسع، وهي توفر مظلة موحدة لمجموعات الضبابية، والمجموعات الخشنة، وطرق الفترات، مما يسمح للتحليل بالانتقال إلى أي مستوى من التفاصيل يتطلبه حل المشكلة بالفعل.
الفكرة الحدسية وراء الطريقة
نادراً ما يفكر البشر في كل التفاصيل الخام؛ نحن نجمع العالم في مجموعات ذات مغزى - 'الشباب البالغون'، 'ساعة الذروة'، 'المرضى المعرضون للخطر العالي' - ونتعامل مع هذه المجموعات. الحوسبة الحبيبية تُضفي طابعاً رسمياً على هذا التجميع: فهي تبني حبيبات (مجموعات من العناصر تُعامل كوحدة واحدة لأنها غير قابلة للتمييز أو متشابهة للمهمة)، ثم تقوم بإجراء الاستدلال أو التعلم أو اتخاذ القرار على الحبيبات بدلاً من العناصر الفردية. والأهم من ذلك، أن درجة الحبيبية قابلة للتعديل - يمكن تقليلها للحصول على رؤية سريعة ومجردة، وزيادتها للدقة - بحيث تقوم بالحساب على مستوى التفاصيل الذي يتناسب مع السؤال، مع التحكم في التعقيد وعدم اليقين معاً.
التاريخ
طرح لطفي زادة، مؤسس المنطق الضبابي، تكوير المعلومات الضبابية في عام 1997 باعتباره محورياً في الاستدلال البشري، بناءً على فكرته السابقة عن الحبيبية. تم تعميم مصطلح 'الحوسبة الحبيبية' في نفس الفترة تقريباً (تي واي لين وآخرون)، وتوحد المجال من خلال عمل ويتولد بـدريك، وأندريه سكوفـرون، وييو يايو، وزملائهم - يعد دليل الحوسبة الحبيبية (2008) مرجعاً رئيسياً. إنه يعمل كمظلة توحد نظرية المجموعات الخشنة، ونظرية المجموعات الضبابية، وتحليل الفترات، والقرارات ثلاثية الاتجاهات، ولا يزال نشطاً في الحوسبة اللينة واكتشاف المعرفة.
متى تُستخدم
استخدم الحوسبة الحبيبية كإطار تنظيمي عندما تستفيد مشكلة ما من الاستدلال على مستويات تجريد قابلة للتعديل، أو عندما تكون البيانات غير مؤكدة أو غير دقيقة، أو عندما تكون القواعد القابلة للتفسير على مستوى الحبيبات أكثر فائدة من التنبؤات النقطية - على سبيل المثال في التصنيف القائم على القواعد، وتقليل الميزات/السمات، واتخاذ القرار في ظل عدم اليقين، واكتشاف المعرفة، وتصميم أنظمة القواعد الضبابية أو الخشنة. إنها مناسبة بشكل خاص عندما تريد توحيد المعالجات الضبابية والخشنة والفترات تحت فلسفة واحدة، أو للتحكم في التعقيد على البيانات الكبيرة عن طريق التلخيص في حبيبات ذات مغزى. إنها نموذج وليست خوارزمية واحدة، لذا تعتمد قيمتها على اختيار تكوير مناسب للمهمة؛ يمكن أن يخفي التكوير السيئ البنية المهمة، وبالنسبة للتنبؤ العددي البحت، قد يكون نموذج الإحصاء/التعلم الآلي المباشر أبسط.
الحدود والاعتبارات
- نموذج، وليس خوارزمية واحدة - تعتمد النتائج بشكل كبير على التكوير المختار.
- يمكن أن يحجب التكوير السيئ البنية الدقيقة المهمة.
- يعد اختيار المستوى المناسب للحبيبية بحد ذاته مشكلة نمذجة غير تافهة.
- بالنسبة للتنبؤ العددي البحت، قد تكون نماذج الإحصاء/التعلم الآلي المباشرة أبسط وأقوى.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- توحد المجموعات الضبابية، والمجموعات الخشنة، وطرق الفترات تحت إطار مبدئي واحد.
- توازن الحبيبية القابلة للتعديل بين التجريد والدقة والتعقيد وقابلية التفسير.
- تنتج قواعد وملخصات قابلة للقراءة البشرية على مستوى الحبيبات.
- تتعامل مع عدم اليقين وعدم الدقة بشكل أصيل من خلال الحبيبات الضبابية/الخشنة.
التطبيقات
- التصنيف القائم على القواعد وأنظمة اتخاذ القرار القابلة للتفسير.
- تقليل السمات/الميزات وتلخيص البيانات على مجموعات البيانات الكبيرة.
- اتخاذ القرار في ظل عدم اليقين عبر القرارات ثلاثية الاتجاهات (قبول/رفض/تأجيل).
- تصميم وحدات تحكم ونماذج ضبابية وخشنة قائمة على القواعد.
- اكتشاف المعرفة حيث تساعد الأنماط على مستوى الحبيبات في التفسير.
كيف يعمل
كيف يعمل
أولاً، قم بتكوير عالم الكائنات إلى تقسيم أو غطاء من الحبيبات. يمكن أن تكون الحبيبات واضحة (فئات تكافؤ)، أو ضبابية (تجمعات ذات درجات عضوية)، أو خشنة (تقريبات دنيا/عليا)، أو قائمة على الفترات/الجوار، اعتماداً على طبيعة البيانات والعلاقة المختارة.
الصيغة
U \to \{G_1, G_2, \ldots, G_k\}\ \text{(partition/cover into granules)}يتم تعريف كل حبيبة بواسطة علاقة - عادةً عدم القابلية للتمييز، أو التشابه، أو القرب من نموذج أولي - بحيث تكون الكائنات داخل الحبيبة قابلة للتبديل للغرض المطروح. هذا هو المكان الذي ترتبط فيه الحوسبة الحبيبية بالمجموعات الخشنة (عدم القابلية للتمييز)، والمجموعات الضبابية (العضوية المتدرجة)، والتجميع (القرب).
الصيغة
G_i = \{x \in U \mid x \sim_{R} c_i\}\ \text{(indistinguishability / similarity)}قم بتنفيذ المهمة الفعلية - التصنيف، استقراء القواعد، اتخاذ القرار، التلخيص - مع العمل على الحبيبات بدلاً من الكائنات الخام. العمل مع وحدات أقل وذات مغزى دلالي يقلل من العبء الحسابي والمعرفي وينتج قواعد قابلة للتفسير على مستوى الحبيبات.
الصيغة
\text{reason/learn over } \{G_i\}\ \text{instead of individual } xالانتقال بين مستويات الحبيبية: الحبيبات الأكثر خشونة توفر التجريد والمتانة ضد الضوضاء، والحبيبات الأدق توفر الدقة. الاستدلال متعدد الحبيبات (بما في ذلك قرارات يايو ثلاثية الاتجاهات للقبول/الرفض/التأجيل) يختار أو يجمع المستويات لموازنة الدقة والتكلفة وقابلية التفسير.
الصيغة
\text{zoom across granularities to balance abstraction vs precision}الأخطاء الشائعة
- اختيار الحبيبات بدافع الراحة بدلاً من علاقة ذات مغزى للمهمة.
- تثبيت حبيبية واحدة عندما تحتاج المشكلة إلى استدلال متعدد المستويات.
- اعتبار الحوسبة الحبيبية طريقة واحدة بدلاً من اختيار تقنية تكوير ملموسة.
- الإفراط في تقليل الحبيبية ومحو الفروق التي كان التحليل يهدف إلى اكتشافها.
الأسئلة الشائعة
هل الحوسبة الحبيبية خوارزمية محددة؟
لا - إنها نموذج أو إطار عمل لمعالجة المعلومات على مستوى الحبيبات (مجموعات ذات مغزى) بدلاً من النقاط الفردية. تستخدم التطبيقات الملموسة المجموعات الضبابية، والمجموعات الخشنة، والفترات، أو التجميع لتشكيل الحبيبات. تأتي قيمتها من اختيار تكوير مناسب للمهمة، وليس من إجراء واحد ثابت.
كيف ترتبط بالمجموعات الخشنة والمجموعات الضبابية؟
كلاهما مثالان على التكوير: تشكل المجموعات الخشنة حبيبات من عدم القابلية للتمييز (فئات تكافؤ مع تقريبات دنيا/عليا)، وتشكل المجموعات الضبابية حبيبات متدرجة عبر العضوية. الحوسبة الحبيبية هي المظلة التي توحد هذه - إلى جانب حبيبات الفترات والجوار - تحت فلسفة واحدة للحوسبة مع الحبيبات.
ما هي القرارات ثلاثية الاتجاهات؟
استراتيجية قرار للحوسبة الحبيبية (طورها ييو يايو) تقوم، بدلاً من فرض القبول/الرفض، بإضافة خيار ثالث 'تأجيل' (حدود) عندما تكون الأدلة غير كافية عند مستوى الحبيبية الحالي. يمكن بعد ذلك تحسين مستوى الحبيبية للحالات المؤجلة - مقايضة التكلفة مقابل الدقة بطريقة مبدئية.
طرق ذات صلة
المصادر
Zadeh, L. A. (1997). Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic. Fuzzy Sets and Systems, 90(2), 111–127.
افتح مرجع DOIتم النسخ.Pedrycz, W., Skowron, A., & Kreinovich, V. (Eds.). (2008). Handbook of Granular Computing. Wiley.
ردمك: 978-0-470-03554-2تم النسخ.