知识与数据双向驱动的大数据多粒度学习模型与方法

It is one of the key issues of big data intelligent processing to develop efficient learning models and algorithms for uncertain big data. There is a contradiction between the "from fine to coarse" machine information processing model of traditional big data machine learning and the "from coarse to fine" human cognitive processing model. In view of the multi-granularity thinking mechanism of human intelligence problem solving, using the human cognition mechanism of "global precedence" and the information processing mechanism of "prefix computation" of intelligent control systems, this project studies the multi-granularity learning model and methods for big data based on integrating two computation models, knowledge driven and data driven, to solve this contradiction problem. There are 4 major research tasks, that is, the multi-granularity progressive decomposition problem solving mechanism of “from coarse to fine”, the multi-granularity expansion optimization computing mechanism of “from fine to coarse”, the bi-directional multi-granularity intelligent computing mechanism based on the integration of knowledge driven and data driven, and the multi-granularity deep neural networks based on granular computing. A multi-granularity computing model with time constraints for multi-dimension and cross-domain big data will be developed. It could provide theoretical basis and technical methods for solving the problems of structural design and interpretation difficult of deep neural networks.

不确定性大数据的高效学习模型与算法，是当前大数据智能处理研究的热点关键问题。针对传统大数据机器学习“由细到粗”的信息处理模式与人类智能“由粗到细”的认知处理模式之间的矛盾，本项目借鉴人类智能问题求解的多粒度思维机制，采用人类大脑“大范围优先”的认知机制和智能控制系统中“计算前置”的信息处理机制，融合知识驱动与数据驱动的计算模式，研究大数据的多粒度学习模型理论与方法，具体包括：从粗粒度到细粒度逐步细化的多粒度渐进式分解求解、从细粒度到粗粒度逐步扩张的多粒度局部向全局的扩张优化计算、融合知识驱动和数据驱动的双向多粒度智能计算、基于粒计算的多粒度深度神经网络学习等4个方面的研究内容。本项目研究将建立满足时限约束条件的多维度跨领域大数据的多粒度计算模型，为解决深度神经网络的结构设计问题和解释困难问题，提供理论基础和技术方法。

本项目借鉴人类智能问题求解的多粒度思维机制，从粗粒度到细粒度逐步细化的多粒度渐进式分解求解、细粒度到粗粒度逐步扩张的多粒度局部向全局的扩张优化计算、融合知识驱动和数据驱动的双向多粒度智能计算、基于粒计算的多粒度深度神经网络学习等四个方面，研究大数据的多粒度学习模型理论与方法。在渐进式分解求解方面，围绕序贯三支决策理论，研究了对模糊概念由粗到细的多粒度渐进式计算模型；设计了一种有向图粒化策略，建立了多粒度的有向图处理机制；针对多粒度知识空间的快速求解和分化机制，提出了概念森林深度知识空间距离的度量方法。在从局部到全局的扩张求解方面，利用有向图与二元关系之间的互表达性，提出了基于非自反关系的粗糙集模型；提出了一种三支近似阴影集模型，实现了多粒度信息知识空间的动态演化；提出了一种粒球计算模型，实现了多粒度的概念表示和更新。在双向驱动的多粒度智能计算方面，系统提出了多粒度认知计算的9个科学问题；针对当前多粒度空间中云模型跃迁缺乏可解释性的问题，提出了一种相似性引导的云综合方法，设计了一种数据与知识双向认知的粒计算模型。在多粒度深度学习方面，提出了一种基于偏好解纠缠聚集的多粒度社会推荐框架；结合多粒度和神经网络集成的思想，解决了小样本数据驱动深度学习模型中的过拟合问题；将多粒度神经网络编码体系引入遥感场景分类问题，解决了多类场景的类内变异问题；针对知识图谱中的关系抽取问题，提出了一种多粒度卷积核机制来提取最优特征。理论成果在网络空间安全、遥感图像分析等领域取得良好应用成效。发表论文47篇（SCI收录25篇、IEEE Trans.论文7篇），3篇获国际会议“Best Student Paper”奖；出版专著2部，申请发明专利14项（已获授权4项）；组织国际/国内会议(论坛)3/11次，在国际/国内会议作特邀报告4/15次；项目负责人入选“重庆英才•优秀科学家”，成员夏书银入选“重庆英才•青年拔尖人才”；部分成果获1项重庆市自然科学奖一等奖、2项吴文俊人工智能科学技术奖科技进步一等奖、1项教育部自然科学奖二等奖和1项测绘科学技术奖二等奖。