🤖 machine learning

Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning

Dieses Papier schlägt das IFGRVFL-MV-Modell vor, welches intuitionistische Fuzzy-Mengen, Graph-Embedding und Multiview-Lernen in Random Vector Functional Link-Netzwerke integriert, um Unsicherheit effektiv zu handhaben, geometrische Strukturen zu bewahren und komplementäre Merkmalsinformationen zu nutzen, wodurch im Vergleich zu bestehenden Modellen eine überlegene Klassifizierungsgenauigkeit auf Benchmark-Datensätzen erreicht wird.

Ursprüngliche Autoren: Vrushank Ahire, Yogesh Kumar, M. A. Ganaie

Veröffentlicht 2026-07-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Vrushank Ahire, Yogesh Kumar, M. A. Ganaie

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Den Bau eines smarteren „Rate-Maschins“

Stellen Sie sich vor, Sie versuchen einem Computer beizubringen, einen Stapel gemischter Post in die Körbe „Behalten“ und „Wegwerfen“ zu sortieren. Dies ist ein Klassifizierungsproblem. Lange Zeit haben Computer ein Werkzeug namens RVFL (Random Vector Functional Link) verwendet, um dies zu tun.

Betrachten Sie RVFL als einen sehr schnellen, effizienten Postsortierer. Im Gegensatz zu anderen Sortierern, die langsam durch Versuch und Irrtum lernen müssen (wie ein Schüler, der jahrelang studiert), hat RVFL einen „Vorsprung“. Es weist seinen internen Zahnrädern zufällig Regeln zu und berechnet dann sofort das Endergebnis. Es ist schnell und meistens gut, hat aber zwei Hauptschwächen:

Es wird durch „schlechte Daten“ verwirrt: Wenn ein Stück Post zerrissen, verschmutzt oder so aussieht, als gehöre es sowohl in den „Behalten“- als als auch in den „Wegwerfen“-Korb, bleibt der Sortierer stecken.
Es ignoriert die „Form“ der Daten: Es behandelt jedes Stück Post als isoliertes Objekt und erkennt nicht, dass ähnlich aussehende Briefe oft in denselben Korb gehören.
Es betrachtet nur einen Blickwinkel: Es versucht, die Post basierend auf nur einer Beschreibung (z. B. Farbe) zu sortieren, und ignoriert dabei andere hilfreiche Details (z. B. Textur oder Gewicht).

Die Autoren dieser Arbeit, Vrushank Ahire, Yogesh Kumar und M.A. Ganaie, haben einen neuen, verbesserten Sortierer namens IFGRVFL-MV entwickelt. Sie haben drei leistungsstarke Werkzeuge kombiniert, um die Schwächen des alten Sortierers zu beheben.

Die drei Upgrades (Das „Geheimrezept“)

1. Der „Fuzzy-Richter“ (Intuitionistic Fuzzy Sets)

Das Problem: Manchmal ist ein Stück Post so beschädigt oder seltsam, dass der Sortierer nicht weiß, ob es in den „Behalten“-Stapel oder in den „Wegwerfen“-Stapel gehört. Es ist eine Grauzone.
Die Lösung: Die Autoren haben einen Fuzzy-Richter hinzugefügt. Anstatt ein hartes „Ja“ oder „Nein“ zu erzwingen, gibt dieser Richter eine Punktzahl ab wie: „Wie sehr glaube ich, dass dies dazugehört?“ und „Wie sehr glaube ich, dass es nicht dazugehört?“.

Analogie: Stellen Sie sich einen Sicherheitsdienst vor einem Club vor. Ein normaler Wächter sagt: „Du bist drin“ oder „Du bist draußen“. Der Fuzzy-Richter sagt: „Du siehst zu 80 % wie ein VIP aus, aber zu 20 % wie ein Unruhestifter.“ Wenn die Person eindeutig ein Unruhestifter ist (ein Ausreißer oder Rauschen), gibt der Richter eine niedrige Punktzahl, was dem Sortierer sagt, ihn zu ignorieren oder vorsichtig zu behandeln. Dies macht das System robust gegenüber unordentlichen, verrauschten Daten.

2. Der „Kartenzeichner“ (Graph Embedding)

Das Problem: Der alte Sortierer betrachtet Objekte einzeln. Er erkennt nicht, dass wenn Objekt A wie Objekt B aussieht und Objekt B wie Objekt C aussieht, dann wahrscheinlich auch A und C in denselben Korb gehören.
Die Lösung: Die Autoren haben einen Kartenzeichner hinzugefügt. Dieses Werkzeug zeichnet unsichtbare Linien, die ähnliche Datenpunkte verbinden, und erstellt so ein Netz oder eine Karte.

Analogie: Stellen Sie sich eine Party vor, auf der Sie niemanden kennen. Ein normaler Sortierer fragt: „Wer bist du?“ und entscheidet basierend darauf. Der Kartenzeichner betrachtet den Raum und sieht: „Oh, alle, die rote Hemden tragen, stehen in einem Kreis und unterhalten sich.“ Er bewahrt die geometrische Form der Menge. Selbst wenn eine Person im roten Kreis einen blauen Hut trägt (Rauschen), weiß die Karte, dass sie immer noch Teil der roten Kreisgruppe ist. Dies hilft dem Modell, besser auf neue Daten zu generalisieren.

3. Das „Team von Experten“ (Multiview Learning)

Das Problem: Der alte Sortierer betrachtet die Post nur aus einem Winkel (z. B. nur die Farbe). Aber was ist, wenn die Farbe irreführend ist?
Die Lösung: Die Autoren haben ein Team von Experten geschaffen. Sie geben dem Sortierer gleichzeitig zwei verschiedene „Ansichten“ der Daten.

Analogie: Stellen Sie sich vor, Sie versuchen, eine Frucht zu identifizieren.
- Ansicht 1 (Experte A): Betrachtet die Farbe der Frucht (Rot?).
- Ansicht 2 (Experte B): Betrachtet die Textur der Frucht (Glatt?).
- Das Team: Anstatt nur einen Experten zu fragen, fragt das Modell beide. Wenn Experte A „Apfel“ sagt (weil es rot ist) und Experte B „Apfel“ sagt (weil es glatt ist), ist das Modell sehr zuversichtlich. Wenn sie sich uneinig sind, nutzt das Modell seine Mathematik, um den besten Kompromiss zu finden. Dies ermöglicht es dem Modell, komplementäre Informationen zu nutzen, um klügere Entscheidungen zu treffen.

Wie sie alles zusammenbringen

Das neue Modell, IFGRVFL-MV, ist wie ein Super-Team von Postsortierern:

Es betrachtet die Post aus zwei verschiedenen Winkeln (Multiview).
Es zeichnet eine Karte, um zu sehen, wie die Postartikel miteinander zusammenhängen (Graph Embedding).
Es nutzt einen Fuzzy-Richter, um zu entscheiden, wie sehr es jedem Stück Post vertrauen kann, und ignoriert diejenigen, die zu seltsam oder beschädigt sind (Intuitionistic Fuzzy).

Die Ergebnisse: Hat es funktioniert?

Die Autoren haben ihr neues Modell gegen die alten Modelle unter Verwendung von Standard-Datensätzen getestet (wie die UCI- und KEEL-Repositories, die wie öffentliche Bibliotheken für Testprobleme sind).

Die Punktzahl: Das neue Modell erreichte eine durchschnittliche Genauigkeit von 81,06 % und schlug damit das nächstbeste Modell (79,50 %) sowie die Basismodelle (um die 70–72 %).
Der Beweis: Sie haben nicht nur gesagt: „Es sieht besser aus.“ Sie führten strenge statistische Tests durch (wie die Friedman- und Wilcoxon-Tests). Dies sind wie Schiedsrichter, die die Punktekarten prüfen, um sicherzustellen, dass der Sieg kein Glück war. Die Ergebnisse zeigten, dass das neue Modell statistisch signifikant besser ist als die anderen.

Zusammenfassung

Einfach ausgedrückt haben die Autoren eine schnelle, aber etwas tollpatschige Sortiermaschine genommen und ihr gegeben:

Bessere Augen, um Muster zu erkennen (Graph Embedding).
Eine zweite Meinung, um ihre Arbeit zu überprüfen (Multiview Learning).
Ein klügeres Gehirn, um mit Verwirrung und Fehlern umzugehen (Intuitionistic Fuzzy Logic).

Das Ergebnis ist eine Maschine, die Daten genauer sortiert, insbesondere wenn die Daten unordentlich, verrauscht oder komplex sind. Die Arbeit kommt zu dem Schluss, dass dieser Ansatz ein vielversprechender Schritt für den Umgang mit Unsicherheit im maschinellen Lernen ist.

Technische Zusammenfassung: Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link mit Multiview Learning (IFGRVFL-MV)

Problemstellung
Random Vector Functional Link (RVFL)-Netzwerke sind für ihre schnellen Trainingsgeschwindigkeiten und universellen Approximationsfähigkeiten bekannt, die durch die zufällige Initialisierung der verborgenen Schichtgewichte und die analytische Lösung der Ausgabegewichte erreicht werden. Dennoch stehen Standard-RVFL-Modelle vor spezifischen Einschränkungen: Sie haben oft Schwierigkeiten, die intrinsischen geometrischen Beziehungen innerhalb der Daten zu bewahren, reagieren empfindlich auf verrauschte oder unsichere Datensätze und nutzen komplementäre Informationen aus mehreren Merkmalsansichten (Multiview Learning) nicht effektiv aus. Während bestehende Varianten diese Probleme isoliert adressiert haben – etwa Intuitionistic Fuzzy RVFL (IFRVFL) für Unsicherheit, Graph Embedded RVFL (GE-RVFL) für die geometrische Struktur und Multiview RVFL (MvRVFL) für die Merkmalsintegration – existiert derzeit kein vereinheitlichtes Framework, das alle drei Aspekte gleichzeitig kombiniert, um Unsicherheit, Topologieerhaltung und Multiview-Daten zu handhaben.

Methodik
Das vorgeschlagene IFGRVFL-MV-Modell integriert Intuitionistic Fuzzy Sets (IFS), Graph Embedding (GE) und Multiview Learning (MVL) in ein vereinheitlichtes RVFL-Framework. Die Methodik verläuft wie folgt:

Intuitionistic Fuzzy Gewichtung: Das Modell weist den Datenpunkten in jeder Ansicht Intuitionistic Fuzzy Zugehörigkeitswerte ( $f$ ) und Nicht-Zugehörigkeitswerte ( $f^*$ ) zu.
- Der Zugehörigkeitswert wird durch den Abstand eines Samples von seinem Klassenzentrum relativ zum Klassenradius bestimmt.
- Der Nicht-Zugehörigkeitswert wird aus dem Verhältnis heterogener Nachbarn (Samples mit unterschiedlichen Klassenlabels) innerhalb einer Proximitätsschwelle abgeleitet.
- Eine Score-Funktion ( $s_i$ ) wird basierend auf diesen Werten berechnet, um die Zuverlässigkeit jedes Samples zu quantifizieren, wodurch unsichere Daten und Ausreißer während des Trainings effektiv abgewertet werden.
Graph Embedding (GE): Um die topologische Struktur der Daten zu bewahren, konstruiert das Modell intrinsische und Penalty-Graphen über die konkatänierte Merkmalsmatrix jeder Ansicht. Dieses Framework stellt sicher, dass Samples mit ähnlichen Labels nah beieinander bleiben (intrinsischer Graph), während Samples mit unterschiedlichen Labels voneinander entfernt werden (Penalty-Graph), was die Generalisierung verbessert.
Multiview Learning (MVL): Das Modell verarbeitet zwei distinkte Ansichten der Daten (View-P und View-Q). Es verwendet eine Early-Fusion-Strategie, bei der das Optimierungsziel die Fehler für beide Ansichten gemeinsam minimiert und gleichzeitig die Konsistenz zwischen ihnen erzwingt.
Optimierungsformulierung: Der Kern des Modells ist ein regularisiertes Optimierungsproblem, das eine gewichtete Summe aus quadratischen Fehlern, Ausgabegewichtsnormen und Graph-Embedding-Penalties minimiert.
- Die Fehlersummen für jede Ansicht werden durch die Quadratwurzeln der intuitionistic fuzzy Score-Matrizen ( $S_1^{1/2}$ und $S_2^{1/2}$ ) gewichtet, was den Einfluss unsicherer Samples reduziert.
- Ein Cross-View-Konsistenzterm ( $\rho \xi_1^T S_1^{1/2} S_2^{1/2} \xi_2$ ) richtet die Vorhersagen der beiden Ansichten aufeinander aus.
- Die Lösung wird analytisch durch Lösen eines linearen Gleichungssystems unter Verwendung der Lagrange-Multiplikatoren abgeleitet, was zu einer geschlossenen Lösung für die Ausgabegewichte ( $\beta_1, \beta_2$ ) führt.

Wesentliche Beiträge
Das Paper skizziert vier primäre Beiträge:

Integration von IFS in RVFL: Die Einführung von Intuitionistic Fuzzy Sets in das RVFL-Framework, um die Unsicherheit und Unpräzision der Daten zu handhaben. Zugehörigkeits- und Nicht-Zugehörigkeitswerte werden basierend auf dem Abstand der Samples zu den Klassenzentren und der Heterogenität der Nachbarn zugewiesen.
Graph Embedding Erweiterung: Die Einbindung des GE-Frameworks zur Erfassung geometrischer Beziehungen innerhalb der Daten. Durch die Definition intrinsischer und Penalty-Graphen über die Merkmatsmatrix werden topologische Strukturen bewahrt, um die Generalisierung zu verbessern.
Multiview Learning Nutzung: Die Anwendung von MVL zur Kombination von Informationen aus mehreren Merkmalsansichten, was es ermöglicht, komplexe Muster zu erfassen, die in einer einzelnen Ansicht nicht erkennbar sind.
Empirische Validierung: Umfangreiche Experimente auf Benchmark-Datensätzen aus den UCI- und KEEL-Repositories, unterstützt durch statistische Analysen (Friedman, Wilcoxon und Win-Tie-Loss-Tests), um die Überlegenheit des Modells zu validieren.

Ergebnisse
Das IFGRVFL-MV-Modell wurde auf acht Benchmark-Datensätzen (z. B. pittsburgh-bridges, breast-cancer, mammographic, Pima) evaluiert.

Performance: Das vorgeschlagene Modell erreichte die höchste durchschnittliche Klassifikationsgenauigkeit von 81,06 % und übertraf damit Baseline-Modelle wie RVFL1 (71,99 %), RVFL2 (70,38 %), GE-IFWRVFL (76,00 %) und GRVFL-MV (79,50 %).
Statistische Signifikanz:
- Der Friedman-Test ergab eine Statistik von 23,714 mit einem p-Wert von 0,00009, was die Nullhypothese ablehnt und signifikante Leistungsunterschiede zwischen den Modellen bestätigt. Das vorgeschlagene Modell erreichte den besten mittleren Rang (1,19).
- Der Nemenyi Post-hoc-Test identifizierte signifikante Abstände zwischen dem vorgeschlagenen Modell und anderen, insbesondere gegenüber GRVFL-MV.
- Der Wilcoxon-Signed-Rank-Test bestätigte, dass IFGRVFL-MV signifikant besser abschneidet als RVFL1, RVFL2 und GE-IFWRVFL (p-Werte < 0,05).
- Win-Tie-Loss-Analyse: Über die Datensätze hinweg sicherte sich IFGRVFL-MV zwischen 5 und 7 Siege gegen die Baselines, was die konsistente Überlegenheit demonstriert.

Bedeutung und Ansprüche
Das Paper behauptet, dass IFGRVFL-MV einen vielversprechenden Fortschritt im Bereich der Unsicherheit und des Multiview Learning darstellt. Durch die nahtlose Kombination von Intuitionistic Fuzzy Theorie, Graph Embedding und Multiview Learning adressiert das Modell die Limitationen bestehender Ansätze, die diese Techniken isoliert behandeln. Die Autoren führen an, dass das Modell effektiv mit verrauschten Datensätzen umgeht und komplementäre Merkmalsinformationen nutzt, um eine überlegene Klassifikationsgenauigkeit zu erzielen. Die Arbeit setzt einen neuen Benchmark für RVFL-basierte Modelle in unsicheren Umgebungen, wobei die Autoren anmerken, dass sich zukünftige Arbeiten auf die Optimierung der Recheneffizienz und die Untersuchung der Skalierbarkeit auf größere, reale Datensätze konzentrieren werden.