การคำนวณแบบละเอียด (การสร้างอนุภาคข้อมูล)
- ผู้เสนอ
- Lotfi A. Zadeh (information granulation); developed by Pedrycz, Skowron, Yao
- ปี
- 1997
- ประเภท
- Framework for multi-granularity information processing
- กลุ่มวิธี
- Granular computing
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การคำนวณแบบละเอียด (Granular Computing) เป็นกระบวนทัศน์การแก้ปัญหาที่ประมวลผลข้อมูลเป็น 'อนุภาค' (granules) ซึ่งเป็นการรวมกลุ่มของวัตถุที่ถูกดึงเข้าหากันด้วยความไม่แตกต่าง ความคล้ายคลึง หรือการทำงาน แทนที่จะประมวลผลในระดับจุดข้อมูลแต่ละจุด ลอทฟี ซาเดห์ (Lotfi Zadeh) ได้นำเสนอแนวคิดนี้ในปี 1997 ในชื่อ การสร้างอนุภาคข้อมูลแบบฟัซซี (fuzzy information granulation) และพัฒนาต่อยอดเป็นกรอบการทำงานที่กว้างขวาง ซึ่งเป็นร่มใหญ่ที่ครอบคลุมเซตฟัซซี เซตรู้ (rough sets) และวิธีการช่วง (interval methods) ทำให้การวิเคราะห์สามารถเคลื่อนย้ายไปยังระดับรายละเอียดที่ปัญหาต้องการได้
แนวคิดเบื้องหลังวิธีการ
มนุษย์แทบไม่เคยใช้เหตุผลกับรายละเอียดดิบทั้งหมด เราจัดกลุ่มโลกออกเป็นกลุ่มที่มีความหมาย เช่น 'คนหนุ่มสาว' 'ช่วงเวลาเร่งด่วน' 'ผู้ป่วยที่มีความเสี่ยงสูง' และใช้เหตุผลกับกลุ่มเหล่านั้น การคำนวณแบบละเอียดทำให้การจัดกลุ่มนี้เป็นรูปธรรม โดยสร้างอนุภาค (ชุดของรายการที่ถือว่าเป็นหน่วยเดียวเพราะไม่แตกต่างกันหรือคล้ายกันสำหรับงานนั้นๆ) จากนั้นจึงทำการให้เหตุผล การเรียนรู้ หรือการตัดสินใจกับอนุภาคแทนที่จะเป็นรายการแต่ละรายการ สิ่งสำคัญคือระดับความละเอียดสามารถปรับได้ — หยาบขึ้นเพื่อมุมมองที่เป็นนามธรรมอย่างรวดเร็ว ละเอียดขึ้นเพื่อความแม่นยำ — ดังนั้นคุณจึงคำนวณในระดับรายละเอียดที่ตรงกับคำถาม ควบคุมความซับซ้อนและความไม่แน่นอนไปพร้อมกัน
ประวัติศาสตร์
ลอทฟี ซาเดห์ ผู้ก่อตั้งตรรกศาสตร์ฟัซซี ได้นำเสนอการสร้างอนุภาคข้อมูลแบบฟัซซีในปี 1997 ว่าเป็นหัวใจสำคัญของการให้เหตุผลของมนุษย์ โดยต่อยอดจากแนวคิดเรื่องความละเอียด (granularity) ก่อนหน้านี้ของเขา คำว่า 'การคำนวณแบบละเอียด' (granular computing) ได้รับความนิยมในช่วงเวลาใกล้เคียงกัน (โดย ที.วาย. หลิน และคณะ) และสาขานี้ได้รวมเข้าด้วยกันผ่านผลงานของ วิโทลด์ เพดรีซซ์ (Witold Pedrycz) อันด์แชย์ สโคฟรอน (Andrzej Skowron) ยิยู เหยา (Yiyu Yao) และเพื่อนร่วมงาน — โดยมี Handbook of Granular Computing (2008) เป็นแหล่งอ้างอิงสำคัญ ทำหน้าที่เป็นร่มใหญ่ที่รวมทฤษฎีเซตรู้ ทฤษฎีเซตฟัซซี การวิเคราะห์ช่วง และการตัดสินใจสามทาง และยังคงมีความเคลื่อนไหวในด้าน soft computing และการค้นพบความรู้
ควรใช้เมื่อใด
ใช้การคำนวณแบบละเอียดเป็นกรอบการจัดระเบียบเมื่อปัญหามีประโยชน์จากการให้เหตุผลในระดับนามธรรมที่ปรับได้ เมื่อข้อมูลมีความไม่แน่นอนหรือไม่แม่นยำ หรือเมื่อกฎระดับอนุภาคที่ตีความได้มีประโยชน์มากกว่าการทำนายแบบจุด — ตัวอย่างเช่น ในการจำแนกประเภทตามกฎ การลดทอนคุณลักษณะ/แอตทริบิวต์ การตัดสินใจภายใต้ความไม่แน่นอน การค้นพบความรู้ และการออกแบบระบบกฎแบบฟัซซีหรือแบบรู้ มีความเหมาะสมอย่างยิ่งเมื่อคุณต้องการรวมการจัดการแบบฟัซซี แบบรู้ และแบบช่วงภายใต้ปรัชญาเดียว หรือเพื่อควบคุมความซับซ้อนในข้อมูลขนาดใหญ่โดยการสรุปเป็นอนุภาคที่มีความหมาย เป็นกระบวนทัศน์มากกว่าอัลกอริทึมเดียว ดังนั้นคุณค่าของมันขึ้นอยู่กับการเลือกการสร้างอนุภาคที่เหมาะสมกับงาน การสร้างอนุภาคที่ไม่ดีอาจซ่อนโครงสร้างที่สำคัญ และสำหรับการทำนายเชิงตัวเลขล้วนๆ โมเดลทางสถิติ/ML โดยตรงอาจง่ายกว่า
ข้อจำกัดและข้อควรพิจารณา
- เป็นกระบวนทัศน์ ไม่ใช่อัลกอริทึมเดียว — ผลลัพธ์ขึ้นอยู่กับการสร้างอนุภาคที่เลือกเป็นอย่างมาก
- การสร้างอนุภาคที่ไม่ดีอาจบดบังโครงสร้างละเอียดที่สำคัญ
- การเลือกระดับความละเอียดที่เหมาะสมเป็นปัญหาการสร้างแบบจำลองที่ไม่ใช่เรื่องง่าย
- สำหรับการทำนายเชิงตัวเลขล้วนๆ โมเดลทางสถิติ/ML โดยตรงอาจง่ายกว่าและมีประสิทธิภาพมากกว่า
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- รวมเซตฟัซซี เซตรู้ และวิธีการช่วงภายใต้กรอบการทำงานที่มีหลักการเดียว
- ความละเอียดที่ปรับได้สร้างสมดุลระหว่างนามธรรม ความแม่นยำ ความซับซ้อน และความสามารถในการตีความ
- สร้างกฎและบทสรุปในระดับอนุภาคที่มนุษย์อ่านได้
- จัดการกับความไม่แน่นอนและความไม่แม่นยำโดยธรรมชาติผ่านอนุภาคฟัซซี/รู้
การประยุกต์ใช้
- การจำแนกประเภทตามกฎและระบบการตัดสินใจที่ตีความได้
- การลดทอนแอตทริบิวต์/คุณลักษณะและการสรุปข้อมูลในชุดข้อมูลขนาดใหญ่
- การตัดสินใจภายใต้ความไม่แน่นอนผ่านการตัดสินใจสามทาง (ยอมรับ/ปฏิเสธ/เลื่อน)
- การออกแบบตัวควบคุมและโมเดลตามกฎแบบฟัซซีและแบบรู้
- การค้นพบความรู้ที่รูปแบบระดับอนุภาคช่วยในการตีความ
วิธีการทำงาน
วิธีการทำงาน
ประการแรก สร้างอนุภาคของเอกภพวัตถุออกเป็นพาร์ติชันหรือการปกคลุมของอนุภาค อนุภาคสามารถเป็นแบบชัดเจน (ชั้นสมมูล) แบบฟัซซี (กลุ่มที่มีระดับสมาชิกภาพ) แบบรู้ (การประมาณค่าต่ำสุด/สูงสุด) หรือแบบช่วง/เพื่อนบ้าน ขึ้นอยู่กับลักษณะของข้อมูลและความสัมพันธ์ที่เลือก
สูตร
U \to \{G_1, G_2, \ldots, G_k\}\ \text{(partition/cover into granules)}อนุภาคแต่ละอนุภาคถูกกำหนดโดยความสัมพันธ์ — โดยทั่วไปคือความไม่แตกต่าง ความคล้ายคลึง หรือความใกล้เคียงกับต้นแบบ — เพื่อให้วัตถุภายในอนุภาคสามารถใช้แทนกันได้ตามวัตถุประสงค์ ณ ขณะนั้น นี่คือจุดที่การคำนวณแบบละเอียดเชื่อมโยงกับเซตรู้ (ความไม่แตกต่าง) เซตฟัซซี (ระดับสมาชิกภาพ) และการจัดกลุ่ม (ความใกล้เคียง)
สูตร
G_i = \{x \in U \mid x \sim_{R} c_i\}\ \text{(indistinguishability / similarity)}ดำเนินงานตามที่ต้องการ — การจำแนกประเภท การเหนี่ยวนำกฎ การตัดสินใจ การสรุปผล — โดยดำเนินการกับอนุภาคแทนที่จะเป็นวัตถุดิบ การทำงานกับหน่วยที่มีความหมายน้อยกว่าแต่มีความหมายเชิงความหมาย ช่วยลดภาระการคำนวณและภาระทางปัญญา และให้กฎระดับอนุภาคที่ตีความได้
สูตร
\text{reason/learn over } \{G_i\}\ \text{instead of individual } xเคลื่อนย้ายระหว่างระดับความละเอียด: อนุภาคที่หยาบกว่าให้ความเป็นนามธรรมและความทนทานต่อสัญญาณรบกวน อนุภาคที่ละเอียดกว่าให้ความแม่นยำ การให้เหตุผลหลายระดับความละเอียด (รวมถึงการตัดสินใจสามทางของเหยา: ยอมรับ/ปฏิเสธ/เลื่อน) เลือกหรือรวมระดับเพื่อสร้างสมดุลระหว่างความแม่นยำ ต้นทุน และความสามารถในการตีความ
สูตร
\text{zoom across granularities to balance abstraction vs precision}ข้อผิดพลาดที่พบบ่อย
- การเลือกอนุภาคตามความสะดวกมากกว่าตามความสัมพันธ์ที่มีความหมายสำหรับงานนั้นๆ
- การกำหนดระดับความละเอียดเดียวเมื่อปัญหานั้นต้องการการให้เหตุผลหลายระดับ
- การปฏิบัติต่อการคำนวณแบบละเอียดในฐานะวิธีการเดียว แทนที่จะเลือกเทคนิคการสร้างอนุภาคที่เฉพาะเจาะจง
- การทำให้หยาบเกินไปและลบล้างความแตกต่างที่การวิเคราะห์ตั้งใจจะค้นหา
คำถามที่พบบ่อย
การคำนวณแบบละเอียดเป็นอัลกอริทึมเฉพาะหรือไม่
ไม่ — เป็นกระบวนทัศน์หรือกรอบการทำงานสำหรับการประมวลผลข้อมูลในระดับอนุภาค (กลุ่มที่มีความหมาย) แทนที่จะเป็นจุดแต่ละจุด การนำไปใช้จริงใช้เซตฟัซซี เซตรู้ ช่วง หรือการจัดกลุ่มเพื่อสร้างอนุภาค คุณค่าของมันมาจากการเลือกการสร้างอนุภาคที่เหมาะสมกับงาน ไม่ใช่อัลกอริทึมที่ตายตัวเพียงวิธีเดียว
มันเกี่ยวข้องกับเซตรู้และเซตฟัซซีอย่างไร
ทั้งสองเป็นตัวอย่างของการสร้างอนุภาค: เซตรู้สร้างอนุภาคจากการไม่แตกต่าง (ชั้นสมมูลพร้อมการประมาณค่าต่ำสุด/สูงสุด) และเซตฟัซซีสร้างอนุภาคที่มีระดับผ่านสมาชิกภาพ การคำนวณแบบละเอียดเป็นร่มใหญ่ที่รวมสิ่งเหล่านี้ — พร้อมกับอนุภาคช่วงและเพื่อนบ้าน — ภายใต้ปรัชญาเดียวของการคำนวณด้วยอนุภาค
การตัดสินใจสามทางคืออะไร
กลยุทธ์การตัดสินใจแบบการคำนวณแบบละเอียด (พัฒนาโดย ยิยู เหยา) ซึ่งแทนที่จะบังคับให้ยอมรับ/ปฏิเสธ จะเพิ่มตัวเลือก 'เลื่อน' (ขอบเขต) ที่สามเมื่อหลักฐานไม่เพียงพอในระดับความละเอียดปัจจุบัน จากนั้นสามารถปรับระดับความละเอียดสำหรับกรณีที่ถูกเลื่อน — โดยแลกเปลี่ยนต้นทุนกับความแม่นยำในลักษณะที่มีหลักการ
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
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.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วPedrycz, W., Skowron, A., & Kreinovich, V. (Eds.). (2008). Handbook of Granular Computing. Wiley.
ISBN: 978-0-470-03554-2คัดลอกแล้ว