.png){kind=icon}
返回
Prototype-based fuzzy rough sets for outlier detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.fss.2025.109460.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
离群点检测是确保数据分析可靠性的关键任务，旨在识别与数据集中典型模式显著不同的对象。近年来，许多基于模糊粗糙集的方法已展现出有前景的性能。然而，这些方法忽视了冗余属性的影响，并将离群点之间的关系纳入分析中。针对这些重要问题，我们提出了一种新型方法，称为基于原型的模糊粗糙集（PFRS），该方法通过基于可分属性选择的原型学习来进行离群点检测。具体而言，应用信息熵选择重要属性，增强了特征空间的可分性。更重要的是，通过采用原型学习获取代表性对象，PFRS有效消除了离群点之间关系的影响。此外，评估原型与对象之间的模糊相似度，以重构传统的模糊上近似和下近似。最后，从PFRS中推导出更可靠的离群点评分。采用广泛采用算法的广泛实验验证了PFRS的有效性，确认了其卓越的性能。
Keyword:
Fuzzy rough sets
Outlier detection
Prototype learning
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}
分享收藏分享收藏Multi-label feature selection with high-level semantic label relationships based on fuzzy rough sets基于模糊粗糙集的高层语义标签关系多标签特征选择
PREAI
分享收藏
查看更多内容