Obliczenia ziarniste (granulacja informacji)
- Autor metody
- Lotfi A. Zadeh (information granulation); developed by Pedrycz, Skowron, Yao
- Rok
- 1997
- Typ
- Framework for multi-granularity information processing
- Rodzina
- Granular computing
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Obliczenia ziarniste to paradygmat rozwiązywania problemów, który przetwarza informacje w „granulach” – skupiskach obiektów połączonych nierozróżnialnością, podobieństwem lub funkcjonalnością – zamiast na poziomie poszczególnych punktów danych.
Sformułowany przez Lotfiego Zadeha w 1997 roku jako rozmyta granulacja informacji i rozwinięty w szerokie ramy, stanowi spójną podstawę dla zbiorów rozmytych, zbiorów przybliżonych i metod przedziałowych, pozwalając analizie przenieść się na dowolny poziom szczegółowości wymagany przez problem.
Intuicja stojąca za metodą
Ludzie rzadko analizują każdy surowy szczegół; grupujemy świat w znaczące zbiory – „młodzi dorośli”, „godziny szczytu”, „pacjenci wysokiego ryzyka” – i na podstawie tych grup wnioskujemy. Obliczenia ziarniste formalizują to grupowanie: tworzą granuli (zbiory elementów traktowanych jako jedna jednostka, ponieważ są nierozróżnialne lub podobne dla danego zadania), a następnie wykonują wnioskowanie, uczenie się lub podejmowanie decyzji na podstawie granul zamiast poszczególnych elementów. Kluczowe jest to, że ziarnistość jest regulowana – można ją zgrubnić dla szybkiego, abstrakcyjnego widoku lub doprecyzować dla uzyskania dokładności – dzięki czemu obliczenia odbywają się na poziomie szczegółowości odpowiadającym postawionemu pytaniu, jednocześnie kontrolując złożoność i niepewność.
Historia
Lotfi Zadeh, twórca logiki rozmytej, w 1997 roku przedstawił rozmyte granulowanie informacji jako kluczowe dla ludzkiego rozumowania, opierając się na swojej wcześniejszej koncepcji ziarnistości. Termin „obliczenia ziarniste” został spopularyzowany mniej więcej w tym samym okresie (T. Y. Lin i inni), a dziedzina skonsolidowała się dzięki pracom Witolda Pedrycza, Andrzeja Skowrona, Yiyu Yao i współpracowników – kluczowym odniesieniem jest „Handbook of Granular Computing” (2008). Stanowi on parasol unifikujący teorię zbiorów przybliżonych, teorię zbiorów rozmytych, analizę przedziałową i decyzje trójstopniowe, i pozostaje aktywny w obszarze soft computing i odkrywania wiedzy.
Kiedy stosować
Wykorzystujemy obliczenia ziarniste jako ramę organizacyjną, gdy problem korzysta z wnioskowania na regulowanych poziomach abstrakcji, gdy dane są niepewne lub niedokładne, lub gdy interpretowalne reguły na poziomie granul są bardziej użyteczne niż prognozy punktowe – na przykład w klasyfikacji opartej na regułach, redukcji cech/atrybutów, podejmowaniu decyzji w warunkach niepewności, odkrywaniu wiedzy i projektowaniu rozmytych lub przybliżonych systemów regułowych. Jest to szczególnie przydatne, gdy chcemy zunifikować podejścia rozmyte, przybliżone i przedziałowe w ramach jednej filozofii, lub kontrolować złożoność dużych zbiorów danych poprzez podsumowanie ich do znaczących granul. Jest to paradygmat, a nie pojedynczy algorytm, więc jego wartość zależy od wyboru granulacji odpowiedniej do zadania; źle dobrana granulacja może ukryć ważną strukturę, a dla czysto numerycznych prognoz bezpośredni model statystyczny/uczenia maszynowego może być prostszy.
Ograniczenia i uwagi
- Paradygmat, a nie pojedynczy algorytm – wyniki silnie zależą od wybranej granulacji.
- Zła granulacja może zaciemnić ważną, drobnoziarnistą strukturę.
- Wybór właściwego poziomu ziarnistości jest sam w sobie nietrywialnym problemem modelowania.
- Dla czysto numerycznych prognoz, bezpośrednie modele statystyczne/uczenia maszynowego mogą być prostsze i silniejsze.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Unifikuje zbiory rozmyte, zbiory przybliżone i metody przedziałowe w ramach jednej, spójnej struktury.
- Regulowana ziarnistość równoważy abstrakcję, precyzję, złożoność i interpretowalność.
- Generuje czytelne dla człowieka reguły i podsumowania na poziomie granul.
- Natywnie obsługuje niepewność i niedokładność poprzez granuli rozmyte/przybliżone.
Zastosowania
- Klasyfikacja oparta na regułach i interpretowalne systemy decyzyjne.
- Redukcja atrybutów/cech i podsumowanie danych na dużych zbiorach danych.
- Podejmowanie decyzji w warunkach niepewności za pomocą decyzji trójstopniowych (akceptuj/odrzuć/odłóż).
- Projektowanie rozmytych i przybliżonych sterowników i modeli opartych na regułach.
- Odkrywanie wiedzy, gdzie wzorce na poziomie granul wspomagają interpretację.
Jak to działa
Jak to działa
Najpierw granulujemy uniwersum obiektów na partycję lub pokrycie granul. Granuli mogą być ostre (klasy równoważności), rozmyte (skupiska z gradacją przynależności), przybliżone (dolne/górne aproksymacje) lub oparte na przedziałach/sąsiedztwie, w zależności od natury danych i wybranej relacji.
Wzór
U \to \{G_1, G_2, \ldots, G_k\}\ \text{(partition/cover into granules)}Każda granula jest zdefiniowana przez relację – zazwyczaj nierozróżnialność, podobieństwo lub bliskość do prototypu – tak, aby obiekty wewnątrz granuli były wymienne dla danego celu. Tutaj obliczenia ziarniste łączą się ze zbiorami przybliżonymi (nierozróżnialność), zbiorami rozmytymi (stopniowana przynależność) i klastrowaniem (bliskość).
Wzór
G_i = \{x \in U \mid x \sim_{R} c_i\}\ \text{(indistinguishability / similarity)}Wykonujemy właściwe zadanie – klasyfikację, indukcja reguł, podejmowanie decyzji, podsumowanie – operując na granulach zamiast na surowych obiektach. Praca z mniejszą liczbą semantycznie znaczących jednostek zmniejsza obciążenie obliczeniowe i poznawcze oraz prowadzi do interpretowalnych reguł na poziomie granul.
Wzór
\text{reason/learn over } \{G_i\}\ \text{instead of individual } xPrzechodzimy między poziomami ziarnistości: zgrubne granuli zapewniają abstrakcję i odporność na szum, drobniejsze granuli zapewniają precyzję. Wnioskowanie wielopoziomowe (w tym trójstopniowe decyzje Yao: akceptuj/odrzuć/odłóż) wybiera lub łączy poziomy, aby zrównoważyć dokładność, koszt i interpretowalność.
Wzór
\text{zoom across granularities to balance abstraction vs precision}Częste pułapki
- Wybieranie granul z wygody, a nie na podstawie relacji znaczącej dla zadania.
- Ustalanie pojedynczej ziarnistości, gdy problem wymaga wnioskowania wielopoziomowego.
- Traktowanie obliczeń ziarnistych jako jednej metody zamiast wybierania konkretnej techniki granulacji.
- Nadmierne zgrubienie i zmycie rozróżnień, które analiza miała znaleźć.
Najczęściej zadawane pytania
Czy obliczenia ziarniste to konkretny algorytm?
Nie – jest to paradygmat lub rama przetwarzania informacji na poziomie granul (znaczących grup), a nie poszczególnych punktów. Konkretne realizacje wykorzystują zbiory rozmyte, zbiory przybliżone, przedziały lub klastrowanie do tworzenia granul. Jego wartość wynika z wyboru granulacji odpowiedniej do zadania, a nie z jednej ustalonej procedury.
Jak obliczenia ziarniste odnoszą się do zbiorów przybliżonych i rozmytych?
Oba są przykładami granulacji: zbiory przybliżone tworzą granuli z nierozróżnialności (klasy równoważności z dolnymi/górnymi aproksymacjami), a zbiory rozmyte tworzą granuli z gradacją poprzez przynależność. Obliczenia ziarniste są parasolem, który je unifikuje – wraz z granulami przedziałowymi i sąsiedztwa – pod jedną filozofią obliczeń z użyciem granul.
Czym są decyzje trójstopniowe?
Strategia decyzyjna w ramach obliczeń ziarnistych (opracowana przez Yiyu Yao), która zamiast wymuszać akceptację/odrzucenie, dodaje trzecią opcję „odłóż” (granica), gdy dowody są niewystarczające na obecnym poziomie ziarnistości. Następnie można doprecyzować ziarnistość dla odłożonych przypadków – równoważąc koszt z dokładnością w sposób zasadniczy.
Pokrewne metody
Źródła
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.
Otwórz odnośnik DOISkopiowano.Pedrycz, W., Skowron, A., & Kreinovich, V. (Eds.). (2008). Handbook of Granular Computing. Wiley.
ISBN: 978-0-470-03554-2Skopiowano.