Skip to content
Kembali ke hasil pencarian

Komputasi Granular (Granulasi Informasi)

Diperkenalkan oleh
Lotfi A. Zadeh (information granulation); developed by Pedrycz, Skowron, Yao
Tahun
1997
Jenis
Framework for multi-granularity information processing
Keluarga
Granular computing

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Komputasi granular adalah paradigma pemecahan masalah yang memproses informasi dalam 'granul' — kumpulan objek yang disatukan oleh ketidakberbedaan, kesamaan, atau fungsionalitas — daripada pada tingkat titik data individual. Diartikulasikan oleh Lotfi Zadeh pada tahun 1997 sebagai granulasi informasi kabur dan dikembangkan menjadi kerangka kerja yang luas, ia menyediakan payung pemersatu atas himpunan kabur, himpunan kasar, dan metode interval, memungkinkan analisis bergerak ke tingkat perincian apa pun yang sebenarnya dibutuhkan oleh suatu masalah.

Intuisi di balik metode

Manusia jarang bernalar tentang setiap detail mentah; kita mengelompokkan dunia menjadi grup yang bermakna — 'dewasa muda', 'jam sibuk', 'pasien berisiko tinggi' — dan bernalar tentang kelompok-kelompok tersebut. Komputasi granular memformalkan pengelompokan ini: ia membangun granul (himpunan item yang diperlakukan sebagai satu unit karena tidak dapat dibedakan atau serupa untuk tugas tersebut), kemudian melakukan penalaran, pembelajaran, atau pengambilan keputusan atas granul alih-alih item individual. Sangat penting, granularitas dapat disesuaikan — diperhalus untuk pandangan abstrak yang cepat, disempurnakan untuk presisi — sehingga Anda menghitung pada tingkat perincian yang sesuai dengan pertanyaan, mengendalikan kompleksitas dan ketidakpastian bersama-sama.

Sejarah

Lotfi Zadeh, pendiri logika kabur, mengartikulasikan granulasi informasi kabur pada tahun 1997 sebagai pusat penalaran manusia, membangun di atas gagasan granularitasnya sebelumnya. Istilah 'komputasi granular' dipopulerkan sekitar periode yang sama (T. Y. Lin dan lainnya), dan bidang ini terkonsolidasi melalui karya Witold Pedrycz, Andrzej Skowron, Yiyu Yao, dan rekan-rekan — Handbook of Granular Computing (2008) menjadi referensi utama. Ini berfungsi sebagai payung yang menyatukan teori himpunan kasar, teori himpunan kabur, analisis interval, dan tiga keputusan, dan tetap aktif dalam komputasi lunak dan penemuan pengetahuan.

Kapan digunakan

Gunakan komputasi granular sebagai kerangka kerja pengorganisasian ketika suatu masalah mendapat manfaat dari penalaran pada tingkat abstraksi yang dapat disesuaikan, ketika data tidak pasti atau tidak tepat, atau ketika aturan tingkat granul yang dapat diinterpretasikan lebih berguna daripada prediksi titik — misalnya dalam klasifikasi berbasis aturan, pengurangan fitur/atribut, pengambilan keputusan di bawah ketidakpastian, penemuan pengetahuan, dan desain sistem aturan kabur atau kasar. Ini sangat cocok ketika Anda ingin menyatukan perlakuan kabur, kasar, dan interval di bawah satu filosofi, atau untuk mengendalikan kompleksitas pada data besar dengan meringkas menjadi granul yang bermakna. Ini adalah paradigma daripada satu algoritma, sehingga nilainya bergantung pada pemilihan granulasi yang sesuai dengan tugas; granulasi yang dipilih dengan buruk dapat menyembunyikan struktur penting, dan untuk prediksi numerik murni model statistik/ML langsung mungkin lebih sederhana.

Batasan dan pertimbangan

  • Sebuah paradigma, bukan satu algoritma — hasil sangat bergantung pada granulasi yang dipilih.
  • Granulasi yang buruk dapat mengaburkan struktur halus yang penting.
  • Memilih tingkat granularitas yang tepat itu sendiri merupakan masalah pemodelan yang tidak sepele.
  • Untuk prediksi numerik murni, model statistik/ML langsung mungkin lebih sederhana dan lebih kuat.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Menyatukan himpunan kabur, himpunan kasar, dan metode interval di bawah satu kerangka kerja yang berprinsip.
  • Granularitas yang dapat disesuaikan menyeimbangkan abstraksi, presisi, kompleksitas, dan interpretasi.
  • Menghasilkan aturan dan ringkasan tingkat granul yang dapat dibaca manusia.
  • Menangani ketidakpastian dan ketidaktepatan secara inheren melalui granul kabur/kasar.

Penerapan

  • Klasifikasi berbasis aturan dan sistem keputusan yang dapat diinterpretasikan.
  • Pengurangan atribut/fitur dan peringkasan data pada kumpulan data besar.
  • Pengambilan keputusan di bawah ketidakpastian melalui tiga keputusan (terima/tolak/tunda).
  • Merancang pengendali dan model berbasis aturan kabur dan kasar.
  • Penemuan pengetahuan di mana pola tingkat granul membantu interpretasi.

Cara kerjanya

Cara kerjanya

1

Pertama, granulasi alam semesta objek menjadi partisi atau cakupan granul. Granul bisa tegas (kelas ekuivalensi), kabur (gumpalan bergradasi keanggotaan), kasar (aproksimasi bawah/atas), atau berbasis interval/lingkungan, tergantung pada sifat data dan relasi yang dipilih.

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

Setiap granul didefinisikan oleh relasi — biasanya ketidakberbedaan, kesamaan, atau kedekatan dengan prototipe — sehingga objek dalam granul dapat dipertukarkan untuk tujuan yang dimaksud. Di sinilah komputasi granular terhubung dengan himpunan kasar (ketidakberbedaan), himpunan kabur (keanggotaan bergradasi), dan pengelompokan (kedekatan).

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

Lakukan tugas yang sebenarnya — klasifikasi, induksi aturan, pengambilan keputusan, peringkasan — beroperasi pada granul daripada objek mentah. Bekerja dengan unit yang lebih sedikit dan bermakna secara semantik mengurangi beban komputasi dan kognitif serta menghasilkan aturan tingkat granul yang dapat diinterpretasikan.

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

Bergerak antar tingkat granularitas: granul yang lebih kasar memberikan abstraksi dan ketahanan terhadap kebisingan, granul yang lebih halus memberikan presisi. Penalaran multi-granularitas (termasuk tiga keputusan Yao untuk menerima/menolak/menunda) memilih atau menggabungkan tingkat untuk menyeimbangkan akurasi, biaya, dan interpretasi.

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

Kesalahan umum

  • Memilih granul berdasarkan kenyamanan daripada berdasarkan relasi yang bermakna untuk tugas tersebut.
  • Memperbaiki satu granularitas ketika masalah memerlukan penalaran multi-tingkat.
  • Memperlakukan komputasi granular sebagai satu metode alih-alih memilih teknik granulasi yang konkret.
  • Terlalu memperhalus dan menghilangkan perbedaan yang dimaksudkan untuk ditemukan oleh analisis.

Pertanyaan yang sering diajukan

Apakah komputasi granular adalah algoritma spesifik?

Tidak — ini adalah paradigma atau kerangka kerja untuk memproses informasi pada tingkat granul (grup yang bermakna) daripada titik individual. Realisasi konkret menggunakan himpunan kabur, himpunan kasar, interval, atau pengelompokan untuk membentuk granul. Nilainya berasal dari pemilihan granulasi yang sesuai dengan tugas, bukan dari satu prosedur tetap.

Bagaimana hubungannya dengan himpunan kasar dan himpunan kabur?

Keduanya adalah contoh granulasi: himpunan kasar membentuk granul dari ketidakberbedaan (kelas ekuivalensi dengan aproksimasi bawah/atas), dan himpunan kabur membentuk granul bergradasi melalui keanggotaan. Komputasi granular adalah payung yang menyatukan ini — bersama dengan granul interval dan lingkungan — di bawah satu filosofi komputasi dengan granul.

Apa itu tiga keputusan?

Sebuah strategi keputusan komputasi granular (dikembangkan oleh Yiyu Yao) yang, alih-alih memaksa terima/tolak, menambahkan opsi ketiga 'tunda' (batas) ketika bukti tidak mencukupi pada granularitas saat ini. Seseorang kemudian dapat menyempurnakan granularitas untuk kasus yang ditunda — menukar biaya terhadap akurasi dengan cara yang berprinsip.

Metode terkait

Sumber

  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.

    Buka referensi DOI
    Disalin.
  2. Pedrycz, W., Skowron, A., & Kreinovich, V. (Eds.). (2008). Handbook of Granular Computing. Wiley.

    ISBN: 978-0-470-03554-2
    Disalin.