面向复杂数据的动态决策粗糙集及其高效特征选择方法研究

Big data presented in complexity, high dimensionality, and dynamic characteristics leads to the significant uncertainties of knowledge and the increase of problem-solving scale. Efficient knowledge discovery in big data and decision analysis has attracted widespread concern. Decision-theoretic rough set is a new uncertainty information processing model, which has good fault-tolerant ability and risk & cost sensitivity when dealing with classification decision problems through the introduction of probabilistic theory and Bayesian decision process. This project studies the dynamic decision-theoretic rough set and its efficient feature selection approaches, where the complex data is as the research subject, granular computing and rough set are as the theoretical basis, and incremental learning is as the technique. The main contents of this project include: 1)Research on the construction and extension of decision-theoretic rough set model for complex data; 2)Exploration on efficient approaches for feature selection in complex data based on decision-theoretic rough sets; 3)Development of incremental feature selection approaches with the dynamic variation of decision data; 4)Investigation of incremental feature selection approaches with the dynamic variation of risk parameters. Solutions to these problems will help to provide efficient approximate computation theory and methods for uncertainty decision problems caused by the complexity in big data environment and further play an important role in promoting the rapid development of decision analysis techniques and computational methods for big data.

大数据的复杂、高维、动态等特点使得知识的不确定性高度显著，问题的求解规模急剧攀升。如何在大数据中进行高效实时地知识发现与决策分析，成为了当前人们普遍关注的问题。决策粗糙集是一种新的不确定性信息处理模型，通过概率论和贝叶斯决策过程的引入，使得其在处理分类决策问题时具有良好容错能力和风险代价敏感性。本项目以复杂数据为研究对象，以粒计算和粗糙集为理论基础，以增量学习为技术手段，来研究动态决策粗糙集及其高效特征选择方法，具体内容包括：1)面向复杂数据的决策粗糙集模型构建与扩展研究；2)复杂数据中基于决策粗糙集的高效特征选择方法研究；3)面向决策数据动态变化的增量式特征选择方法研究；4)面向风险参数动态变化的增量式特征选择方法研究。这些问题的解决有助于为大数据环境中由于数据复杂化带来的不确定性决策问题提供高效近似求解理论和方法，对于推动大数据决策分析技术和计算方法的快速发展具有重要的促进作用。

大数据的复杂、高维、动态等特点使得知识的不确定性高度显著，问题的求解规模急剧攀升。如何在大数据中进行高效实时地知识发现与决策分析，成为了当前人们普遍关注的问题。本项目以复杂数据为研究对象，以粒计算和粗糙集为理论基础，以增量学习为技术手段，对动态决策粗糙集及其高效特征选择方法进行研究，主要取得了以下成果：1）针对异构复杂信息系统，提出了基于复合二元关系的决策粗糙集模型和基于多层次处理机制的序贯三支决策模型；2）针对数据的动态特征，提出了基于矩阵更新的增量式决策粗糙集方法和基于信息熵的不完备数据增量特征选择算法；3）针对多尺度数据中尺度层次的动态转换问题，提出了不确定性三支决策规则的高效挖掘算法。本项目共发表/录用论文20篇（其中国际期刊论文18篇，国际会议论文2篇，SCI检索18篇、EI检索2篇）；出版专著1部；获国际会议优秀论文奖1次；参与组织国际学术会议2次；培养多名研究生。这些成果为大数据环境中由于数据复杂化带来的不确定性决策问题提供了新的处理技巧与学术思想。