粒计算(信息粒化)
- 提出者
- Lotfi A. Zadeh (information granulation); developed by Pedrycz, Skowron, Yao
- 年份
- 1997
- 类型
- Framework for multi-granularity information processing
- 类别
- Granular computing
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
粒计算是一种问题解决方法,它处理信息时不是在个体数据点层面,而是在“粒度”——即因不可辨别性、相似性或功能性而聚集在一起的对象的集合——上进行。它由 Lotfi Zadeh 于 1997 年提出,最初称为模糊信息粒化,后来发展成为一个广泛的框架,为模糊集、粗糙集和区间方法提供了一个统一的伞盖,使分析能够迁移到问题实际需要的任何细节层次。
方法背后的直觉
人类很少会针对每一个原始细节进行推理;我们会将世界分割成有意义的组——“年轻成年人”、“高峰时段”、“高风险患者”——然后对这些组进行推理。粒计算将这种分组形式化:它构建粒度(将因不可辨别或相似而作为一个单元处理的项目集合),然后在粒度上而不是在个体项目上执行推理、学习或决策。关键在于,粒度是可调的——可以粗化以获得快速、抽象的视图,也可以精化以获得精确性——因此你可以在与问题匹配的细节层次上进行计算,同时控制复杂性和不确定性。
历史学
模糊逻辑的创始人 Lotfi Zadeh 于 1997 年将模糊信息粒化阐述为人类推理的核心,这建立在他早期的粒度概念之上。‘粒计算’一词在大约同一时期(T. Y. Lin 等人)得到推广,该领域通过 Witold Pedrycz、Andrzej Skowron、Yiyu Yao 及同事们的工作得到巩固——《粒计算手册》(2008 年)是一份关键参考资料。它作为一种伞盖,统一了粗糙集理论、模糊集理论、区间分析和三支决策,并在软计算和知识发现领域保持活跃。
何时使用
当问题受益于在可调抽象级别上进行推理时,当数据不确定或不精确时,或者当可解释的、粒度级别的规则比点预测更有用时,可以使用粒计算作为组织框架——例如在基于规则的分类、特征/属性约简、不确定性下的决策制定、知识发现以及模糊或粗糙规则系统的设计中。当你希望在一个哲学下统一模糊、粗糙和区间处理,或者通过汇总为有意义的粒度来控制大数据上的复杂性时,它尤其适用。它是一种范式而不是单一算法,因此其价值取决于选择适合任务的粒化方式;选择不当的粒化可能会隐藏重要的结构,而对于纯粹的数值预测,直接的统计/机器学习模型可能更简单。
局限与注意事项
- 一种范式,而非单一算法——结果在很大程度上取决于所选的粒化方式。
- 不良的粒化会掩盖重要的细粒度结构。
- 选择正确的粒度级别本身就是一个非平凡的建模问题。
- 对于纯粹的数值预测,直接的统计/机器学习模型可能更简单、更强大。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 在一个原则性框架下统一模糊集、粗糙集和区间方法。
- 可调粒度平衡了抽象、精确、复杂性和可解释性。
- 产生人类可读的、粒度级别的规则和摘要。
- 通过模糊/粗糙粒度原生处理不确定性和不精确性。
应用
- 基于规则的分类和可解释的决策系统。
- 大数据集上的属性/特征约简和数据摘要。
- 通过三支决策(接受/拒绝/延迟)进行不确定性下的决策。
- 设计模糊和粗糙的基于规则的控制器和模型。
- 知识发现,其中粒度级别的模式有助于解释。
使用方式
使用方式
首先,将对象的宇宙粒化为粒度的划分或覆盖。粒度可以是清晰的(等价类)、模糊的(成员等级集合)、粗糙的(下/上近似)或基于区间/邻域的,具体取决于数据的性质和所选的关系。
公式
U \to \{G_1, G_2, \ldots, G_k\}\ \text{(partition/cover into granules)}每个粒度都由一个关系定义——通常是与某个原型的不可辨别性、相似性或邻近性——以便粒度内的对象对于手头的目的而言是可互换的。这就是粒计算与粗糙集(不可辨别性)、模糊集(等级成员资格)和聚类(邻近性)相连接的地方。
公式
G_i = \{x \in U \mid x \sim_{R} c_i\}\ \text{(indistinguishability / similarity)}执行实际任务——分类、规则归纳、决策、摘要——在粒度上而不是在原始对象上进行操作。处理更少、语义上有意义的单元可以减少计算和认知负担,并产生可解释的、粒度级别的规则。
公式
\text{reason/learn over } \{G_i\}\ \text{instead of individual } x在粒度级别之间移动:更粗的粒度提供抽象和对噪声的鲁棒性,更细的粒度提供精确性。多粒度推理(包括 Yao 的三支决策:接受/拒绝/延迟)选择或组合级别以平衡准确性、成本和可解释性。
公式
\text{zoom across granularities to balance abstraction vs precision}常见陷阱
- 仅凭方便而非根据对任务有意义的关系来选择粒度。
- 在问题需要多级推理时固定单一粒度。
- 将粒计算视为一种方法,而不是选择一种具体的粒化技术。
- 过度粗化并冲淡了分析本应发现的区分。
常见问题
粒计算是一种特定的算法吗?
否——它是一种范式或框架,用于在粒度(有意义的组)层面而不是在个体点层面处理信息。具体的实现使用模糊集、粗糙集、区间或聚类来形成粒度。其价值在于选择适合任务的粒化方式,而不是来自单一的固定过程。
它与粗糙集和模糊集有什么关系?
两者都是粒化的实例:粗糙集通过不可辨别性(具有下/上近似的等价类)形成粒度,模糊集通过成员资格形成等级粒度。粒计算是统一这些——以及区间和邻域粒度——在一个计算粒度的哲学下的伞盖。
什么是三支决策?
一种粒计算决策策略(由 Yiyu Yao 开发),它不强制接受/拒绝,而是在当前粒度证据不足时增加第三个“延迟”(边界)选项。然后可以为延迟的案例精化粒度——以一种原则性的方式权衡成本与准确性。
相关方法
参考文献
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.
打开 DOI 文献已复制。Pedrycz, W., Skowron, A., & Kreinovich, V. (Eds.). (2008). Handbook of Granular Computing. Wiley.
ISBN:978-0-470-03554-2已复制。