Skip to content
بازگشت به نتایج جست‌وجو

محاسبات دانه‌ای (دانه‌بندی اطلاعات)

معرفی‌شده توسط
Lotfi A. Zadeh (information granulation); developed by Pedrycz, Skowron, Yao
سال
1997
نوع
Framework for multi-granularity information processing
خانواده
Granular computing

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

محاسبات دانه‌ای یک پارادایم حل مسئله است که اطلاعات را در قالب «دانه‌ها» — خوشه‌هایی از اشیاء که به دلیل عدم تمایز، شباهت، یا کارکرد در کنار هم قرار گرفته‌اند — پردازش می‌کند، نه در سطح نقاط داده‌ای منفرد. این مفهوم که توسط لطفی زاده در سال 1997 به عنوان دانه‌بندی اطلاعات فازی مطرح شد و به یک چارچوب گسترده توسعه یافت، چتری یکپارچه بر مجموعه‌های فازی، مجموعه‌های راف، و روش‌های بازه‌ای فراهم می‌کند و به تحلیل اجازه می‌دهد تا به هر سطح از جزئیات که مسئله واقعاً نیاز دارد، حرکت کند.

شهود پشت روش

انسان‌ها به ندرت درباره هر جزئیات خام استدلال می‌کنند؛ ما جهان را به گروه‌های معنی‌دار — «بزرگسالان جوان»، «ساعت شلوغی»، «بیماران پرخطر» — تقسیم می‌کنیم و درباره این تکه‌ها استدلال می‌کنیم. محاسبات دانه‌ای این تکه‌بندی را رسمی می‌کند: دانه‌ها را می‌سازد (مجموعه‌هایی از اقلام که به عنوان یک واحد در نظر گرفته می‌شوند زیرا برای وظیفه مورد نظر غیرقابل تمایز یا مشابه هستند)، سپس استدلال، یادگیری، یا تصمیم‌گیری را بر روی دانه‌ها به جای اقلام منفرد انجام می‌دهد. نکته مهم این است که دانه‌بندی قابل تنظیم است — برای یک دید سریع و انتزاعی، آن را درشت‌تر کنید؛ برای دقت، آن را ریزتر کنید — بنابراین شما در سطح جزئیاتی که با سؤال مطابقت دارد، محاسبه می‌کنید و پیچیدگی و عدم قطعیت را با هم کنترل می‌کنید.

تاریخ

لطفی زاده، بنیانگذار منطق فازی، دانه‌بندی اطلاعات فازی را در سال 1997 به عنوان هسته اصلی استدلال انسانی، بر اساس مفهوم قبلی خود از دانه‌بندی، مطرح کرد. اصطلاح «محاسبات دانه‌ای» تقریباً در همان دوره (ت. ی. لین و دیگران) رایج شد، و این حوزه از طریق کارهای ویتولد پدریچ، آندری اسکاورون، یی‌یو یائو، و همکاران تثبیت شد — کتاب راهنمای محاسبات دانه‌ای (2008) یک مرجع کلیدی است. این روش به عنوان چتری عمل می‌کند که نظریه مجموعه‌های راف، نظریه مجموعه‌های فازی، تحلیل بازه‌ای، و تصمیمات سه‌طرفه را یکپارچه می‌کند، و در محاسبات نرم و کشف دانش فعال باقی مانده است.

چه زمانی استفاده شود

از محاسبات دانه‌ای به عنوان یک چارچوب سازمان‌دهنده استفاده کنید زمانی که یک مسئله از استدلال در سطوح قابل تنظیم انتزاع بهره می‌برد، زمانی که داده‌ها نامطمئن یا نامدقیق هستند، یا زمانی که قواعد قابل تفسیر در سطح دانه مفیدتر از پیش‌بینی‌های نقطه‌ای هستند — برای مثال در طبقه‌بندی مبتنی بر قاعده، کاهش ویژگی/صفت، تصمیم‌گیری تحت عدم قطعیت، کشف دانش، و طراحی سیستم‌های قاعده فازی یا راف. این روش به ویژه زمانی مناسب است که می‌خواهید رویکردهای فازی، راف، و بازه‌ای را تحت یک فلسفه یکپارچه کنید، یا پیچیدگی داده‌های بزرگ را با خلاصه‌سازی در دانه‌های معنی‌دار کنترل کنید. این یک پارادایم است تا یک الگوریتم واحد، بنابراین ارزش آن به انتخاب یک دانه‌بندی مناسب برای وظیفه بستگی دارد؛ یک دانه‌بندی نامناسب می‌تواند ساختار مهم را پنهان کند، و برای پیش‌بینی صرفاً عددی، یک مدل آماری/یادگیری ماشین مستقیم ممکن است ساده‌تر باشد.

محدودیت‌ها و ملاحظات

  • یک پارادایم است، نه یک الگوریتم واحد — نتایج به شدت به دانه‌بندی انتخابی بستگی دارد.
  • یک دانه‌بندی ضعیف می‌تواند ساختار مهم و ریزدانه را پنهان کند.
  • انتخاب سطح صحیح دانه‌بندی خود یک مسئله مدل‌سازی غیربدیهی است.
  • برای پیش‌بینی صرفاً عددی، مدل‌های آماری/یادگیری ماشین مستقیم ممکن است ساده‌تر و قوی‌تر باشند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • مجموعه‌های فازی، مجموعه‌های راف، و روش‌های بازه‌ای را تحت یک چارچوب اصولی یکپارچه می‌کند.
  • دانه‌بندی قابل تنظیم، انتزاع، دقت، پیچیدگی، و قابلیت تفسیر را متعادل می‌کند.
  • قواعد و خلاصه‌های قابل خواندن برای انسان در سطح دانه تولید می‌کند.
  • عدم قطعیت و عدم دقت را به طور بومی از طریق دانه‌های فازی/راف مدیریت می‌کند.

کاربردها

  • طبقه‌بندی مبتنی بر قاعده و سیستم‌های تصمیم‌گیری قابل تفسیر.
  • کاهش صفت/ویژگی و خلاصه‌سازی داده‌ها در مجموعه داده‌های بزرگ.
  • تصمیم‌گیری تحت عدم قطعیت از طریق تصمیمات سه‌طرفه (پذیرش/رد/تعویق).
  • طراحی کنترل‌کننده‌ها و مدل‌های مبتنی بر قاعده فازی و راف.
  • کشف دانش که در آن الگوهای سطح دانه به تفسیر کمک می‌کنند.

چگونه کار می‌کند

چگونه کار می‌کند

1

ابتدا، جهان اشیاء را به یک افراز یا پوشش از دانه‌ها دانه‌بندی کنید. دانه‌ها می‌توانند واضح (کلاس‌های هم‌ارزی)، فازی (خوشه‌های با درجه عضویت)، راف (تقریب‌های پایین‌تر/بالاتر)، یا مبتنی بر بازه/همسایگی باشند، بسته به ماهیت داده‌ها و رابطه انتخابی.

فرمول
U \to \{G_1, G_2, \ldots, G_k\}\ \text{(partition/cover into granules)}
2

هر دانه توسط یک رابطه تعریف می‌شود — معمولاً عدم تمایز، شباهت، یا نزدیکی به یک نمونه اولیه — به طوری که اشیاء درون یک دانه برای هدف مورد نظر قابل تعویض هستند. اینجاست که محاسبات دانه‌ای به مجموعه‌های راف (عدم تمایز)، مجموعه‌های فازی (عضویت درجه‌بندی شده)، و خوشه‌بندی (نزدیکی) متصل می‌شود.

فرمول
G_i = \{x \in U \mid x \sim_{R} c_i\}\ \text{(indistinguishability / similarity)}
3

وظیفه واقعی — طبقه‌بندی، استنتاج قاعده، تصمیم‌گیری، خلاصه‌سازی — را با کار بر روی دانه‌ها به جای اشیاء خام انجام دهید. کار با واحدهای کمتر و از نظر معنایی معنی‌دار، بار محاسباتی و شناختی را کاهش می‌دهد و منجر به قواعد قابل تفسیر در سطح دانه می‌شود.

فرمول
\text{reason/learn over } \{G_i\}\ \text{instead of individual } x
4

بین سطوح دانه‌بندی حرکت کنید: دانه‌های درشت‌تر انتزاع و مقاومت در برابر نویز را فراهم می‌کنند، دانه‌های ریزتر دقت را می‌دهند. استدلال چنددانه‌ای (شامل تصمیمات سه‌طرفه یائو برای پذیرش/رد/تعویق) سطوح را برای تعادل دقت، هزینه، و قابلیت تفسیر انتخاب یا ترکیب می‌کند.

فرمول
\text{zoom across granularities to balance abstraction vs precision}

دام‌های رایج

  • انتخاب دانه‌ها بر اساس راحتی به جای یک رابطه معنی‌دار برای وظیفه.
  • ثابت نگه داشتن یک دانه‌بندی واحد در حالی که مسئله به استدلال چندسطحی نیاز دارد.
  • در نظر گرفتن محاسبات دانه‌ای به عنوان یک روش به جای انتخاب یک تکنیک دانه‌بندی مشخص.
  • درشت‌سازی بیش از حد و از بین بردن تمایزاتی که تحلیل برای یافتن آنها طراحی شده بود.

پرسش‌های متداول

آیا محاسبات دانه‌ای یک الگوریتم خاص است؟

خیر — این یک پارادایم یا چارچوب برای پردازش اطلاعات در سطح دانه‌ها (گروه‌های معنی‌دار) است، نه نقاط منفرد. پیاده‌سازی‌های مشخص از مجموعه‌های فازی، مجموعه‌های راف، بازه‌ها، یا خوشه‌بندی برای تشکیل دانه‌ها استفاده می‌کنند. ارزش آن از انتخاب یک دانه‌بندی مناسب برای وظیفه ناشی می‌شود، نه از یک رویه ثابت واحد.

چه ارتباطی با مجموعه‌های راف و مجموعه‌های فازی دارد؟

هر دو نمونه‌ای از دانه‌بندی هستند: مجموعه‌های راف دانه‌ها را از عدم تمایز (کلاس‌های هم‌ارزی با تقریب‌های پایین‌تر/بالاتر) تشکیل می‌دهند، و مجموعه‌های فازی دانه‌های درجه‌بندی شده را از طریق عضویت تشکیل می‌دهند. محاسبات دانه‌ای چتری است که اینها — همراه با دانه‌های بازه‌ای و همسایگی — را تحت یک فلسفه محاسبات با دانه‌ها یکپارچه می‌کند.

تصمیمات سه‌طرفه چیست؟

یک استراتژی تصمیم‌گیری محاسبات دانه‌ای (توسعه یافته توسط یی‌یو یائو) که به جای اجبار به پذیرش/رد، یک گزینه سوم «تعویق» (مرزی) را اضافه می‌کند، زمانی که شواهد در دانه‌بندی فعلی ناکافی است. سپس می‌توان دانه‌بندی را برای موارد تعویق یافته اصلاح کرد — با مبادله هزینه در برابر دقت به روشی اصولی.

روش‌های مرتبط

منابع

  1. 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.

    باز کردن مرجع DOI
    کپی شد.
  2. Pedrycz, W., Skowron, A., & Kreinovich, V. (Eds.). (2008). Handbook of Granular Computing. Wiley.

    شابک: 978-0-470-03554-2
    کپی شد.