.png){kind=icon}
返回
Attribute-coverage-oriented cognitive learning approach: Fuzzy concept-based perspective for knowledge discovery
.png){kind=icon}
PRE
AI
DOI：10.1016/j.fss.2026.109873.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
概念认知学习（CCL）模拟人类大脑的概念获取和管理过程，为认知学习机制的探究提供了一个实用框架。尽管当前先进CCL方法在利用模糊概念方面取得了进展，但这些概念的固有灵活性仍被 insufficiently 探索，这一缺陷限制了复杂环境中的认知有效性。同时，属性覆盖粒度多样化的思想为实现多样化概念表示提供了一个有前景的框架。此外，概念空间的复杂性仍然是CCL面临的主要挑战，需要进一步关注。基于这些观察，本文开发了一种针对属性覆盖的创新CCL方法。具体而言，构建了基于覆盖的清晰-模糊概念（CCF-concepts）以扩展概念的组织形式。随后，通过整合概念的全局重要性，开发了一个多级概念空间以提高学习效率。此外，为缓解概念形成过程中对特定属性的过度依赖，将容差学习的思想嵌入到CCF-concepts中，形成了一种基于所提CCL方法的新型容差增强学习算法。该方法采用基于等宽原则的属性覆盖策略，支持开发基于覆盖的容差清晰-模糊概念（CTCF-concepts）。在20个数据集上进行的数值模拟最终验证了与主流分类方法相比，所提容差增强学习方法的有效性和实际可行性。
Keyword:
Cognitive learning
Fuzzy concepts
Attribute coverage
Concept space
Tolerance learning
