.png){kind=icon}
返回
ODMGIS: An Outlier Detection Method Based on Multigranularity Information Sets
.png){kind=icon}
PRE
AI
DOI：10.1109/TFUZZ.2025.3550749.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在数据挖掘领域，离群点检测已成为一个关键的研究焦点，旨在揭示数据集中的异常以提取有意义和有价值的见解。其目标是利用数据挖掘方法识别数据集中的异常，从而揭示重要且有启发性的信息。在此，我们介绍一种开创性的离群点检测方法ODMGIS，它无缝整合了多粒度表示和信息集概念，以构建多粒度信息集（MGIS）模型。该模型能巧妙地刻画数据点的分布模式。首先，我们采用熵函数及其互补函数作为度量工具，精确量化不同分布数据的内在不确定性，并将两者之和视为信息源整体不确定性的综合表征。随后，基于MGIS构建离群得分模型，该模型能深入刻画样本的离群程度，从而有效识别数据集中的异常点。在验证过程中，ODMGIS在医学和生物信息学实际数据集上进行了严格测试，其性能与传统及最先进算法进行了基准对比，显示出显著优势。这项研究不仅为离群点检测提供了新视角，也为探索和发展粒计算理论开辟了创新途径。
Keyword:
Fuzzy sets
granular computing (GrC)
information sets
outlier detection
uncertainty measurement
期刊
IF:
11.9
论文数:
5.0K
被引数:
2.9W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容