Przejdź do treści
Wróć do wyników wyszukiwania

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

Rozmiar czcionki

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

1

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)}
2

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)}
3

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 } x
4

Przechodzimy 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

  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.

    Otwórz odnośnik DOI
    Skopiowano.
  2. Pedrycz, W., Skowron, A., & Kreinovich, V. (Eds.). (2008). Handbook of Granular Computing. Wiley.

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