💻 computer science

A data-driven classifier integrating symmetric intuitionistic fuzzy TOPSIS with self-interactive sequential three-way decision

Dieses Paper schlägt einen datengesteuerten, verlustfunktionsfreien binären Klassifikator vor, der symmetrisches intuitionistisches Fuzzy-TOPSIS mit selbstinteraktiver sequenzieller Drei-Wege-Entscheidung integriert, um bestehende Einschränkungen durch die Nutzung objektiver Attributgewichte, ausgewogener Distanzmessungen und einer internen Rückkopplungsschleife für adaptives Thresholding zu überwinden und dadurch die Klassifikationsleistung sowie Robustheit zu verbessern.

Ursprüngliche Autoren: Yangyang Guo, Wenyan Xu, Qiang Chen

Veröffentlicht 2026-07-03

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yangyang Guo, Wenyan Xu, Qiang Chen

Originalarbeit lizenziert unter CC BY 4.0 (https://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

Stellen Sie sich vor, Sie sind ein Personalverantwortlicher, der entscheiden muss, wen er aus einem Stapel von Lebensläufen einstellt. Sie haben eine Liste von Kandidaten (die Daten) und eine Liste von Fähigkeiten, die überprüft werden sollen (die Attribute). Ihr Ziel ist es, sie in drei Stapel zu sortieren: Einstellen, Nicht Einstellen und „Ich bin mir nicht sicher, schauen wir genauer hin.“

Dieses Paper stellt eine neue, intelligentere Methode vor, um diese Sortierung vorzunehmen, genannt SIF-TOPSIS-S3WD. Es kombtiniert drei leistungsstarke Ideen, um den Entscheidungsprozess fairer, ausgewogener und resistenter gegen unordentliche Daten zu machen. So funktioniert es, unterteilt in einfache Schritte:

1. Das Problem mit alten Methoden

Traditionelle Methoden haben oft drei große Mängel:

Subjektive Gewichtungen: Die Person, die die Einstellung vornimmt, könnte raten, welche Fähigkeiten am wichtigsten sind (z. B. „Ich denke, Programmieren ist 50 % wichtiger als Teamarbeit“). Das ist voreingenommen.
Einseitige Bewertung: Sie konzentrieren sich vielleicht zu sehr auf „gute“ Eigenschaften und ignorieren „schlechte“ Eigenschaften oder umgekehrt, was zu einer unausgewogenen Sicht führt.
Der „Schneeball-Effekt“: Einige Methoden versuchen, das Problem der „unsicheren“ Kandidaten zu lösen, indem sie nacheinander weitere Fragen hinzufügen. Wenn man bei den ersten paar Antworten einen Fehler macht, häufen sich diese Fehler an, was die endgültige Entscheidung verschlechtert.

2. Die neue Lösung: Ein dreistufiger Prozess

Die Autoren schlagen ein System vor, das diese Probleme mithilfe von drei Hauptstadien löst:

Stufe 1: Die Daten entscheiden über die Wichtigkeit (Objektive Gewichte)

Anstatt dass ein Mensch rät, welche Fähigkeiten am wichtigsten sind, nutzt das System ein mathematisches Werkzeug namens Shannon-Entropie (denken Sie an einen „Chaos- ever“).

Die Analogie: Stellen Sie sich vor, Sie bewerten einen Kochwettbewerb. Wenn jeder Teilnehmer Salz exakt gleich verwendet, ist Salz kein guter Weg, um sie voneinander zu unterscheiden. Aber wenn einige viel und andere gar kein Salz verwenden, wird Salz zu einem sehr wichtigen Faktor.
Wie es funktioniert: Das System betrachtet die Daten. Wenn eine Fähigkeit zwischen den Kandidaten stark variiert, gibt das System ihr ein hohes Gewicht (sie ist sehr wichtig). Wenn alle bei einer Fähigkeit gleich sind, gibt das System ihr ein niedriges Gewicht (sie hilft nicht bei der Unterscheidung). Dies entfernt die menschliche Voreingenommenheit.

Stufe 2: Die perfekte Balance (Symmetric Intuitionistic Fuzzy TOPSIS)

Sob_en die Gewichte festgelegt sind, muss das System die Kandidaten bewerten. Es verwendet eine Methode namens TOPSIS, die so ähnlich ist wie das Finden des „perfekten Kandidaten“ und des „schlechtesten Kandidaten“ im Raum.

Die Analogie: Stellen Sie sich eine Waage vor. Auf der einen Seite steht der „Ideale Held“ (perfekte Fähigkeiten, keine Fehler). Auf der anderen Seite steht der „Ideale Bösewicht“ (schlechteste Fähigkeiten, maximale Mängel).
Die Innovation: Die meisten alten Methoden schauen nur darauf, wie nah man dem Helden kommt. Diese neue Methode betrachtet beide Seiten gleichermaßen. Sie fragt: „Wie nah bist du dem Helden UND wie weit bist du vom Bösewicht entfernt?“
Das Ergebnis: Es berechnet einen „relativen Nähe“-Score. Dies stellt sicher, dass man nicht unfair bestraft wird, wenn man leicht fehlerhaft ist, und dass man nicht unverdient durch leichte Vorteile durchkommt. Es behandelt „gute“ und „schlechte“ Belege symmetrisch.

Stufe 3: Die selbstkorrigierende Schleife (Self-Interactive Sequential Three-Way Decision)

Nun hat das System einen Score für jeden. Aber was macht man mit den Leuten in der Mitte?

Der alte Weg: Traditionelle Methoden könnten der „unsicheren“ Gruppe weitere Fragen (Attribute) stellen. Wenn man eine schlechte Frage stellt, könnte man jemanden falsch klassifizieren, und dieser Fehler wird in die nächste Runde getragen.
Der neue Weg: Dieses System nutzt eine Selbst-Interaktions-Schleife.
- Es nimmt die „unsichere“ Gruppe und fragt: „Was ist der beste Weg, diese spezifische Gruppe genau jetzt aufzuteilen?“
- Es fügt keine neuen Fragen hinzu. Stattdessen passt es die Schwellenwerte (die Bestehensgrenze) dynamisch an, basierend auf den aktuellen Scores der Gruppe.
- Es erstellt eine Feedback-Schleife: Es probiert verschiedene Bestehensgrenzen aus, sieht, welche eine fairere Aufteilung erzeugt, und fixiert diese.
- Der Vorteil: Da es keine neuen Fragen hinzufügt (was neue Fehler einführen könnte), vermeidet es den „Schneeball-Effekt“ von Fehlklassifizierungen. Es verfeinert die Entscheidung mit denselben Informationen, indem es sie einfach durch eine intelligentere Linse betrachtet.

3. Hat es funktioniert? (Die Ergebnisse)

Die Autoren haben diesen „Personalverantwortlichen“ mit neun realen Datensätzen (wie medizinischen Daten für Brustkrebs oder Diabetes) getestet.

Leistung: Er schnitt sehr gut ab und übertraf oft Standardmethoden wie Random Forests oder einfaches TOPSIS. Er war besonders gut darin, die „positiven“ Fälle zu finden (hoher Recall), was bedeutet, dass er selten einen Kandidaten übersah, der eingestellt werden sollte.
Robustheit: Sie testeten, was passiert, wenn die Daten „schmutzig“ sind (verrauscht, fehlende Werte oder Ausreißer). Selbst wenn die Daten korrumpiert waren, blieb diese neue Methode stabil und stürzte nicht ab, während ältere Methoden stärker zu kämpfen hatten.

Zusammenfassung

Kurz gesagt baut dieses Paper einen Klassifikator, der:

Nicht rät, welche Merkmale wichtig sind (er berechnet es).
Gute und schlechte Belege gleichermaßen ausbalanciert (keine Voreingenommenheit).
Entscheidungen verfeinert, indem er die Regeln für die „unsichere“ Gruppe anpasst, anstatt mehr potenziell verwirrende Fragen hinzuzufügen.

Das Ergebnis ist ein Entscheidungswerkzeug, das fairer, genauer und widerstandsfähiger gegen unordentliche Daten ist.

Technische Zusammenfassung: Ein datengesteuerter Klassifikator, der symmetrischen intuitionistischen Fuzzy-TOPSIS mit sequenzieller selbst-interaktiver Drei-Wege-Entscheidung integriert

Problemstellung
Binäre Klassifikationsaufgaben stehen oft vor Herausforderungen im Zusammenhang mit Unsicherheit, Zögern und überlappenden Klassengrenzen. Während bestehende Methoden wie die logistische Regression und Support Vector Machines effektiv sind, können sie bei komplexen Formen der Unsicherheit an ihre Grenzen stoßen. Fuzzy-Mengen und sequenzielle Drei-Wege-Entscheidungen (S3WD) bieten theoretische Erweiterungen, um diese Probleme zu bewältigen. Aktuelle Ansätze leiden jedoch unter spezifischen Einschränkungen:

Subjektivität und Bias: Intuitionistische Fuzzy-TOPSIS-Methoden (IF-TOPSIS) beruhen oft auf subjektiven Attributgewichten oder asymmetrischen Ähnlichkeitsformeln, die einen gerichteten Bias einführen.
Akkumulation von Fehlklassifikationen: Traditionelle S3WD-Modelle lösen ambivalente Instanzen typischerweise dadurch auf, dass sie den Attributsatz progressiv erweitern. Dies kann zu einer geringen Entscheidungsgenauigkeit in frühen Stadien führen und die Akkumulation von Fehlklassifikationen verursachen, wenn Attribute hinzugefügt werden.
Schwellenwertabhängigkeit: Bestehende S3WD-Modelle verlassen sich stark auf Verlustfunktionen, um Schwellenwerte zu bestimmen, die entweder manuell gesetzt oder rechenintensiv abzuleiten sind.
Mangelnde Integration: Es gibt eine unzureichende Untersuchung zur Integration der objektiven Attributgewichtung mit dem Trisektionsprozess in TOPSIS-basierten Klassifikationssettings.

Methodik
Die Arbeit schlägt einen vereinheitlichten, datengesteuerten Rahmen namens SIF-TOPSIS-S3WD vor, der symmetrischen intuitionistischen Fuzzy-TOPSIS mit einem Mechanismus für selbst-interaktive sequenzielle Drei-Wege-Entscheidungen integriert. Die Methodik verläuft in drei distinkten Phasen:

Objektive Bestimmung der Gewichtung:
Anstatt einer manuellen Gewichtung verwenden die Autoren eine verbesserte Methode basierend auf der Shannon-Entropie innerhalb einer intuitionistischen Fuzzy-Umgebung. Dieser Ansatz berechnet elementare Informationsmaße ( $E_{ij}$ ) basierend auf Zugehörigkeitsgrad, Nicht-Zugehörigkeitsgrad und Zögerungsgrad. Diese Maße werden normalisiert, um Entropiewerte zu berechnen, die wiederum zur Ableitung objektiver Attributgewichte verwendet werden. Die Gewichte werden mittels einer Atanassov-Typ-Potenzoperation in die Entscheidungsmatrix eingebettet, was hochgewichtete Attribute stärkt und niedriggewichtete unterdrückt, während die intuitionistische Fuzzy-Struktur erhalten bleibt.
Symmetrischer intuitionistischer Fuzzy-TOPSIS:
Der Rahmen berechnet einen symmetrischen relativen Ähnlichkeitsgrad für jedes Objekt. Im Gegensatz zu traditionellem TOPSIS:

Identifiziert diese Methode Positive Ideallösungen (PIS) und Negative Ideallösungen (NIS) dynamisch basierend auf Netto-Effektivitätswerten ( $\mu' - \nu'$ ) statt auf vordefinierten Attributtypen.
Verwendet eine Max-Typ-Symmetrie-Metrik, um die Distanzen zu PIS und NIS zu berechnen. Diese Metrik behandelt Abweichungen in den Zugehörigkeits- und Nicht-Zugehörigkeitsgraden gleich und eliminiert somit den gerichteten Bias.
Berechnet einen relativen Ähnlichkeitsgrad ( $T_i$ ), der sowohl die Attraktion zum positiven Ideal als auch die Repulsion vom negativen Ideal widerspiegelt.

Selbst-interaktive sequenzielle Drei-Wege-Entscheidung (S3WD):
Anstatt den Attributsatz zu erweitern, operiert der Klassifikator auf einem festen Satz von Attributen. Er transformiert die kontinuierlichen relativen Ähnlichkeitsgrade durch eine interne Feedbackschleife in hierarchische Klassifikationsentscheidungen (Positive, Negative und Grenzregionen):

Schwellenwert-Traversal: Ein endliches Gitter von Kandidaten-Schwellenwertpaaren $(\alpha, \beta)$ wird basär auf der Anzahl der Objekte in der aktuellen Grenzregion generiert.
Wahrscheinlichkeitsbewertung: Für jedes Objekt werden Wahrscheinlichkeitsbewertungsfunktionen ( $h_1, h_2, h_3$ ) aus dem relativen Ähnlichkeitsgrad abgeleitet, um die Wahrscheinlichkeit zu schätzen, zur positiven, negativen oder Grenzregion zu gehören.
Optimale Trisektion: Ein Trisektions-Evaluationsmaß ( $H$ ) quantifiziert die Qualität verschiedener Schwellenwertkombinationen. Der Algorithmus wählt iterativ das Schwellenwertpaar aus, das $H$ maximiert, wodurch ein adaptiver, verlustfunktionsfreier Entscheidungsprozess entsteht.
Terminierung: Der Prozess wiederholt sich auf den verbleibenden Grenzobjekten bis zur Konvergenz oder bis keine eindeutige optimale Trisektion mehr bestimmt werden kann, wodurch die mit progressiver Attributerweiterung verbundene Gefahr der Akkumulation von Fehlklassifikationen inhärent vermieden wird.

Hauptbeiträge
Die Arbeit identifiziert drei primäre Beiträge:

Objektive Gewichtung: Ein verbesserter intuitionistischer Fuzzy-Shannon-Entropie-Ansatz wird eingeführt, um Attributgewichte objektiv durch Einbeziehung von Zögerungsinformationen zu bestimmen, was den in konventionellen IF-TOPSIS-Modellen üblichen subjektiven Bias reduziert.
Symmetrische Evaluierung: Ein symmetrischer relativer Ähnlichkeitsgrad basierend auf einer Max-Typ-Distanz wird vorgeschlagen. Dies erzwingt eine ausgewogene Bestrafung von Abweichungen in der Zugehörigkeits- und Nicht-Zugehörigkeitsinformation und verbessert die geometrische Konsistenz.
Verlustfunktionsfreie S3WD: Ein neuer sequenzieller Drei-Wege-Entscheidungsrahmen wird konstruiert, der auf relativen Ähnlichkeitsgraden und einem internen selbst-interaktiven Mechanismus basiert. Er generiert hierarchische Entscheidungen mit adaptiven dynamischen Schwellenwerten auf einem festen Attributsatz und vermeidet so natürlich das Risiko der Akkumulation von Fehlklassifikationen, wie es in traditionellen S3WD-Settings der Fall ist.

Experimentelle Ergebnisse
Der vorgeschlagene Klassifikator wurde auf neun binären Klassifikationsdatensätzen aus dem UCI Machine Learning Repository (z. B. Wdbc, Breast, Glioma, German) evaluiert.

Leistung: Die Methode erzielte kompetitive Ergebnisse, insbesondere im Hinblick auf Recall und F1-Score. Sie erreichte die besten oder geteilten besten Ergebnisse auf mehreren Datensätzen (Breast, Glioma, German, Statlog) und wies den höchsten durchschnittlichen Recall unter den verglichenen Methoden auf. Während Naive Bayes in einigen Metriken eine höhere durchschnittliche Genauigkeit zeigte, bot SIF-TOPSIS-S3WD eine vorteilhafte Balance zwischen Präzision und Recall.
Robustheit: Unter gemischten Merkmisperturbationen (Gaußsches Rauschen, fehlende Werte und Ausreißer) bei Niveaus von bis zu 30 % behielt die vorgeschlagene Methode eine stabile Leistung bei. Sie belegte konsistent Spitzenplätze unter den Top-3-Methoden über alle Perturbationsstufen hinweg und übertraf dabei traditionelle TOPSIS-Varianten, die als empfindlicher gegenüber Datenkorruption befunden wurden.
Sensitivität: Eine Sensitivitätsanalyse bezüglich des Zögerungsparameters ( $\pi$ ) ergab, dass der optimale Wert datensatzabhängig ist, was darauf hindeutet, dass eine datengesteuerte Abstimmung statt eines universellen Konstrukts erforderlich ist.

Bedeutung und Behauptungen
Die Autoren behaupten, dass die Synergie zwischen symmetrischer intuitionistischer Fuzzy-Repräsentation und sequenziellen Drei-Wege-Entscheidungen einen robusten und interpretierbaren Rahmen für die binäre Klassifikation bietet. Die Bedeutung der Arbeit liegt in:

Der Verschiebung von einer rangorientierten IF-TOPSIS hin zu einem hierarchischen Klassifikationsmechanismus.
Der Bereitstellung einer verlustfunktionsfreien Alternative zu traditionellen S3WD-Modellen, die die Notwendigkeit der manuellen Spezifikation von Verlustfunktionen eliminiert.
Der Milderung des Problems der Akkumulation von Fehlklassifikationen durch den Betrieb auf einem festen Attributsatz mit adaptiven Schwellenwerten anstelle der progressiven Attributerweiterung.
Dem Nachweis, dass der Klassifikator einen datengesteuerten, gewichtsbewussten Ansatz bietet, der in Bezug auf Leistung und Robustheit gegen Datenkontamination konkurrenzfähig ist.

Die Arbeit schließt bescheiden mit der Feststellung, dass die Methode zwar kompetitiv, aber nicht einheitlich dominant über alle Datensätze und Metriken hinweg ist. Zukünftige Arbeiten schlagen vor, den Rahmen auf Multi-Class-Settings auszuweiten und lernbasierte Mechanismen zur Bestimmung des Zögerungsgrades zu untersuchen.