Zentropy-Enhanced Multigranularity Knowledge Modeling for Robust Feature Selection

Kehua Yuan

doi:10.1109/TCYB.2026.3665802

Zentropy-Enhanced Multigranularity Knowledge Modeling for Robust Feature Selection

2026-02-26

0

PRE

AI

DOI：10.1109/TCYB.2026.3665802

原文链接

原文求助

摘要

En 中文

多粒度知识建模是人工智能（AI）中信息处理与知识发现的重要研究方向。其核心研究焦点在于知识结构的多粒度表示与学习。其中，模糊粗糙集（FRSs）已成为表征不确定知识的代表性方法。然而，现有FRS研究仍存在两大局限性：知识获取的鲁棒性低以及对不确定性的表征不完整。为此，本文提出了一种基于z熵增强的多粒度知识建模框架，用于鲁棒特征选择（ZeMG-FS）。具体而言，我们基于广义粒球生成设计了快速自适应的多粒度信息粒化机制，以有效捕获复杂数据中嵌入的数据分布。随后，将模糊粗糙近似方法融入多粒度知识表示中。此外，我们分析了多粒度知识模型的基本关系与结构，引入了一种新型多级z熵。与现有熵度量不同，所提z熵的主要目标是匹配并提升所提模型的性能。最后，我们设计了基于该模型的两项特征评估准则并应用于特征选择。大量实验表明，所提方法在鲁棒性与有效性方面优于现有最先进方法。

Keyword:

Feature selection

fuzzy rough sets (FRSs)

granular computing (GrC)

granular-ball computing

uncertainty measure

Zentropy-Enhanced Multigranularity Knowledge Modeling for Robust Feature Selection

摘要

期刊

机构

引用论文