近日，由計算機與信息科學(xué)學(xué)院桑彬彬副教授為第一作者完成的面向有序分類數(shù)據(jù)的魯棒屬性約簡方法的研究論文“Robust Attribute Reduction Exploring Class-Separability and Attribute-Correlation for Ordered Decision Systems”被中科院1區(qū)Top期刊《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》接收并出版。
《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》期刊是信息系統(tǒng)與控制領(lǐng)域的國際頂級學(xué)術(shù)期刊，屬于中科院1區(qū)Top期刊，影響因子8.6。本項研究得到了國家自然科學(xué)基金青年基金、重慶市自然科學(xué)基金面上項目、重慶市教委重點科技項目和青年項目等資助。
魯棒知識獲取方法是數(shù)據(jù)挖掘領(lǐng)域的研究熱點之一。模糊優(yōu)勢粗糙集（FDRS）模型是有序分類任務(wù)的重要知識獲取工具。但實踐證明，該模型的容錯性較差，僅一個噪聲樣本就會對知識獲取造成巨大干擾。屬性約簡是FDRS的重要應(yīng)用之一。目前，大多數(shù)有序分類任務(wù)的屬性約簡方法主要關(guān)注決策對屬性的依賴性，而忽略了類的可分性和屬性之間的相關(guān)性為有序分類提供的信息。針對這兩個問題，該研究提出了一種具有可過濾噪聲樣本的魯棒FDRS模型，在魯棒模糊優(yōu)勢粗糙近似空間中探討了類可分性和屬性相關(guān)性，設(shè)計了相應(yīng)的屬性評價指標(biāo)和魯棒的屬性約簡算法，選擇分類性能最高的屬性子集。實驗結(jié)果表明，該算法具有較好的魯棒性和分類性能。
桑彬彬副教授團隊近年來始終專注于人工智能領(lǐng)域的前沿基礎(chǔ)理論研究，其中包括多粒度認(rèn)知計算、不確定性推理與建模、智能信息處理等方面，主持國家自然科學(xué)基金項目，重慶市自然科學(xué)基金面上項目、重慶市教委重點科技項目、青年項目，教育部重點實驗室開放課題以及“博望學(xué)者”校級人才項目，研究成果已發(fā)表在IEEE TSMC、IEEE TFS、INFUS、INS、KBS、ESAW、IJAR等國際頂級期刊。
論文鏈接DOI: 10.1109/TSMC.2025.3547972
