.png){kind=icon}
返回
Pearson correlation coefficient-guided large-scale fuzzy cognitive maps learning algorithm
.png){kind=icon}
PRE
AI
DOI：10.1016/j.fss.2025.109523.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
模糊认知图（FCMs）是可解释的软计算方法。近年来，已提出多种用于自动学习FCMs的算法。然而，用于学习的权重矩阵的密度通常远高于真实FCMs。此外，从大规模数据中学习因果关系的过程缺乏基于知识的指导，因此有必要主动探索概念节点之间的关系，以指导FCMs的学习过程。受传统FCMs学习算法中专家知识指导的启发，我们提出采用皮尔逊相关系数（PCC）来指导FCMs的学习。PCC是一种用于评估两个变量之间线性关系强度的统计度量，并提供关于关系强度和方向的信息。因此，我们提出了一种新的带有PCC指导的大规模FCMs学习算法，称为PCCG-FCM。PCCG-FCM模型包含以下三项：第一项是自适应损失函数，用于增强模型的鲁棒性；第二项采用l1范数来促进权重矩阵的稀疏性；第三项是我们提出的PCC指导项，其中我们利用线性方程系统中因变量与自变量之间的PCC来指导FCMs的学习。我们使用真实和人工数据进行了多项测试，并使用PCCG-FCM算法重建了基因调控网络。结果表明，所提出的方法表现良好。
期刊
IF:
2.7
论文数:
7.6K
被引数:
1.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
查看更多内容