💻 computer science

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

यह शोध पत्र एक डेटा-संचालित, लॉस-फंक्शन-मुक्त बाइनरी क्लासिफायर प्रस्तावित करता है जो वस्तुनिष्ठ विशेषता भार (objective attribute weights), संतुलित दूरी माप और अनुकूली थ्रेशोल्डिंग के लिए एक आंतरिक फीडबैक लूप का उपयोग करके मौजूदा सीमाओं को दूर करने के लिए सिमेट्रिक इंट्यूशनिस्टिक फजी TOPSIS को सेल्फ-इंटरेक्टिव सीक्वेंशियल थ्री-वे डिसीजन के साथ एकीकृत करता है, जिससे वर्गीकरण प्रदर्शन और मजबूती में वृद्धि होती है।

मूल लेखक: Yangyang Guo, Wenyan Xu, Qiang Chen

प्रकाशित 2026-07-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yangyang Guo, Wenyan Xu, Qiang Chen

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक हायरिंग मैनेजर हैं जो रिज्यूमे के ढेर में से यह तय करने की कोशिश कर रहे हैं कि किसे काम पर रखना है। आपके पास उम्मीदवारों की एक सूची (डेटा) है और जांचने के लिए कौशल की एक सूची (विशेषताएं/Attributes) है। आपका लक्ष्य उन्हें तीन ढेरों में बांटना है: हायर करें (Hire), हायर न करें (Don't Hire), और "मुझे यकीन नहीं है, थोड़ा और करीब से देखते हैं" ("I'm not sure, let's look closer")।

यह शोध पत्र इस छंटनी को करने का एक नया, अधिक स्मार्ट तरीका पेश करता है, जिसे SIF-TOPSIS-S3WD कहा जाता है। यह निर्णय लेने की प्रक्रिया को अधिक निष्पक्ष, संतुलित और अव्यवस्थित डेटा के प्रति प्रतिरोधी बनाने के लिए तीन शक्तिशाली विचारों को जोड़ता है। यह कैसे काम करता है, यहाँ सरल चरणों में दिया गया है:

1. पुराने तरीकों के साथ समस्या

पारंपरिक तरीकों में अक्सर तीन बड़ी खामियां होती हैं:

व्यक्तिपरक भार (Subjective Weights): काम करने वाला व्यक्ति अनुमान लगा सकता है कि कौन से कौशल सबसे महत्वपूर्ण हैं (जैसे, "मुझे लगता है कि कोडिंग टीम वर्क से 50% अधिक महत्वपूर्ण है")। यह पक्षपाती है।
एकतरफा स्कोरिंग (One-Sided Scoring): वे "अच्छे" गुणों पर बहुत अधिक ध्यान दे सकते हैं और "बुरे" गुणों को नजरअंदाज कर सकते हैं, या इसके विपरीत, जिससे एक असंतुलित दृष्टिकोण पैदा होता है।
"स्नोबॉल" प्रभाव (The "Snowball" Effect): कुछ तरीके "अनिश्चित" उम्मीदवारों को हल करने के लिए एक-एक करके अधिक प्रश्न जोड़ने की कोशिश करते हैं। यदि आप पहले कुछ उत्तर गलत प्राप्त करते हैं, तो वे गलतियाँ जमा होती जाती हैं, जिससे अंतिम निर्णय और भी खराब हो जाता है।

2. नया समाधान: एक तीन-चरणीय प्रक्रिया

लेखक एक ऐसी प्रणाली प्रस्तावित करते हैं जो इन मुद्दों को तीन चरणों का उपयोग करके ठीक करती है:

चरण 1: डेटा को महत्व तय करने दें (वस्तुनिष्ठ भार/Objective Weights)

इंसान द्वारा यह अनुमान लगाने के बजाय कि कौन से कौशल सबसे महत्वपूर्ण हैं, सिस्टम एक गणितीय उपकरण का उपयोग करता है जिसे शैनन एंट्रॉपी (Shannon Entropy) (इसे एक "अराजकता मीटर" या "Chaos Meter" समझें) कहा जाता है।

उपमा: कल्पना कीजिए कि आप एक कुकिंग कॉन्टेस्ट (खाना पकाने की प्रतियोगिता) के जज हैं। यदि हर प्रतियोगी नमक का उपयोग बिल्कुल एक ही तरह से करता है, तो नमक उन्हें अलग पहचानने का एक अच्छा तरीका नहीं है। लेकिन यदि कुछ लोग बहुत अधिक नमक का उपयोग करते हैं और कुछ बिल्कुल नहीं, तो नमक एक बहुत ही महत्वपूर्ण कारक बन जाता है।
यह कैसे काम करता है: सिस्टम डेटा को देखता है। यदि किसी कौशल में उम्मीदवारों के बीच बहुत अधिक अंतर है, तो सिस्टम उसे उच्च भार (High Weight) देता है (इसका मतलब है कि यह बहुत मायने रखता है)। यदि सभी लोग किसी कौशल पर एक जैसे हैं, तो सिस्टम उसे कम भार (Low Weight) देता है (इसका मतलब है कि यह अंतर करने में मदद नहीं करता)। यह मानवीय पूर्वाग्रह को हटा देता है।

चरण 2: पूर्ण संतुलन (सिमेट्रिक इंट्यूशनिस्टिक फजी TOPSIS)

एक बार जब भार सेट हो जाते हैं, तो सिस्टम को उम्मीदवारों को स्कोर करने की आवश्यकता होती है। यह TOPSIS नामक एक विधि का उपयोग करता है, जो "परफेक्ट कैंडिडेट" और "सबसे खराब कैंडिडेट" को खोजने जैसा है।

उपमा: एक तराजू की कल्पना करें। एक तरफ "आइडियल हीरो" (परफेक्ट स्किल्स, कोई दोष नहीं) है। दूसरी ओर "आइडियल विलेन" (सबसे खराब स्किल्स, अधिकतम दोष) है।
नवाचार: अधिकांश पुराने तरीके केवल इस बात पर ध्यान देते हैं कि आप हीरो के कितने करीब हैं। यह नया तरीका दोनों पक्षों को समान रूप से देखता है। यह पूछता है: "आप हीरो के कितने करीब हैं, और आप विलेन से कितने दूर हैं?"
परिणाम: यह एक "सापेक्ष निकटता" (Relative Closeness) स्कोर की गणना करता है। यह सुनिश्चित करता है कि थोड़े से दोष के कारण आपको अनुचित रूप से दंडित न किया जाए, और थोड़े से अच्छे होने के कारण आपको बिना हक के लाभ न मिले। यह "अच्छे" और "बुरे" साक्ष्य को सममित (Symmetrical) रूप से मानता है।

चरण 3: स्व-सुधारात्मक लूप (Self-Interactive Sequential Three-Way Decision)

अब, सिस्टम के पास सभी के लिए एक स्कोर है। लेकिन आप बीच वाले लोगों के साथ क्या करते हैं?

पुराना तरीका: पारंपरिक तरीके "अनिश्चित" समूह के लिए और अधिक प्रश्न (Attributes) जोड़ सकते हैं। यदि आप एक गलत प्रश्न पूछते हैं, तो आप किसी को गलत वर्गीकृत कर सकते हैं, और वह गलती अगले दौर तक चलती रहती है।
नया तरीका: यह सिस्टम एक सेल्फ-इंटरैक्टिव लूप (Self-Interactive Loop) का उपयोग करता है।
- यह "अनिश्चित" समूह को लेता है और पूछता है: "इस विशिष्ट समूह को अभी विभाजित करने का सबसे अच्छा तरीका क्या है?"
- यह नए प्रश्न नहीं जोड़ता है। इसके बजाय, यह वर्तमान समूह के स्कोर के आधार पर थ्रेशोल्ड (Thresholds) (पास होने का ग्रेड) को गतिशील रूप से समायोजित करता है।
- यह एक फीडबैक लूप बनाता है: यह अलग-अलग पासिंग ग्रेड आज़माता है, देखता है कि कौन सा ग्रेड सबसे निष्पक्ष विभाजन बनाता है, और फिर उसे लॉक कर देता है।
- लाभ: क्योंकि यह नए प्रश्न नहीं जोड़ता (जो त्रुटियां पेश कर सकते हैं), यह "स्नोबॉल प्रभाव" से बचता है। यह उसी जानकारी का उपयोग करके निर्णय को परिष्कृत करता है, बस इसे हर बार एक स्मार्ट लेंस के माध्यम से देखता है।

3. क्या यह काम कर गया? (परिणाम)

लेखकों ने इस नए "हायरिंग मैनेजर" का परीक्षण नौ वास्तविक दुनिया के डेटासेट्स (जैसे स्तन कैंसर या मधुमेह के लिए मेडिकल डेटा) पर किया।

प्रदर्शन: इसने बहुत अच्छा प्रदर्शन किया, और अक्सर रैंडम फॉरेस्ट (Random Forests) या बेसिक TOPSIS जैसे मानक तरीकों को पीछे छोड़ दिया। यह "पॉजिटिव" मामलों (उच्च रिकॉल/Recall) को खोजने में विशेष रूप से अच्छा था, जिसका अर्थ है कि इसने शायद ही कभी उस उम्मीदवार को छोड़ा जिसे काम पर रखना चाहिए था।
मजबूती (Robustness): उन्होंने परीक्षण किया कि क्या होता है जब डेटा "गंदा" (शोर वाला, गायब मान, या आउटलेयर्स) होता है। भले ही डेटा दूषित हो गया था, यह नया तरीका स्थिर रहा और क्रैश नहीं हुआ, जबकि पुराने तरीके अधिक संघर्ष करते थे।

सारांश

संक्षेप में, यह पेपर एक क्लासिफायर बनाता है जो:

अनुमान नहीं लगाता कि कौन सी विशेषताएं महत्वपूर्ण हैं (यह इसकी गणना करता है)।
अच्छे और बुरे साक्ष्य को समान रूप से संतुलित करता है (कोई पूर्वाग्रह नहीं)।
निर्णयों को परिष्कृत करता है "अनिश्चित" समूह के लिए नियम बदलकर, न कि अधिक संभावित रूप से भ्रमित करने वाले प्रश्न जोड़कर।

परिणामस्वरूप, यह एक निर्णय लेने वाला उपकरण है जो अधिक निष्पक्ष, सटीक और अव्यवस्थित डेटा के प्रति अधिक मजबूत है।

तकनीकी सारांश: एक डेटा-संचालित क्लासिफायर जो सिमेट्रिक इंट्यूशनिस्टिक फजी TOPSIS को सेल्फ-इंटरैक्टिव सीक्वेंशियल थ्री-वे डिसीजन के साथ एकीकृत करता है

समस्या विवरण
बाइनरी क्लासिफिकेशन कार्यों को अक्सर अनिश्चितता, हिचकिचाहट और ओवरलैपिंग क्लास बाउंड्रीज़ से संबंधित चुनौतियों का सामना करना पड़ता है। जबकि लॉजिस्टिक रिग्रेशन और सपोर्ट वेक्टर मशीन जैसे मौजूदा तरीके प्रभावी हैं, वे जटिल प्रकार की अनिश्चितताओं को संभालने में संघर्ष कर सकते हैं। फजी सेट्स और सीक्वेंशियल थ्री-वे डिसीजन (S3WD) इन मुद्दों को हल करने के लिए सैद्धांतिक विस्तार प्रदान करते हैं। हालांकि, वर्तमान दृष्टिकोणों में विशिष्ट सीमाएं हैं:

विषयपरकता और पूर्वाग्रह: इंट्यूशनिस्टिक फजी TOPSIS (IF-TOPSIS) विधियां अक्सर व्यक्तिपरक एट्रिब्यूट वेट्स या एसिमेट्रिक क्लोजनेस फॉर्मूला पर निर्भर करती हैं जो दिशात्मक पूर्वाग्रह (directional bias) पेश करती हैं।
गलत वर्गीकरण संचय (Misclassification Accumulation): पारंपरिक S3WD मॉडल आमतौर पर अस्पष्ट इंस्टेंस को प्रगतिशील रूप से एट्रिब्यूट सेट बढ़ाकर हल करते हैं। इससे शुरुआती चरणों में निर्णय सटीकता कम हो सकती है और एट्रिब्यूट्स जोड़ने के साथ गलत वर्गीकरण का संचय हो सकता है।
थ्रेशोल्ड निर्भरता: मौजूदा S3WD मॉडल लॉस फंक्शन्स पर अत्यधिक निर्भर हैं, जो या तो मैन्युअल रूप से सेट किए जाते हैं या उन्हें व्युत्पन्न करना गणनात्मक रूप से महंगा होता है।
एकीकरण का अभाव: TOPSIS-आधारित वर्गीकरण सेटिंग्स में ऑब्जेक्टिव एट्रिब्यूट वेटिंग को ट्रिसेक्टिंग प्रक्रिया के साथ एकीकृत करने की अपर्याप्त खोज की गई है।

कार्यप्रणाली (Methodology)
यह शोध पत्र एक एकीकृत, डेटा-संचालित फ्रेमवर्क प्रस्तावित करता है जिसे SIF-TOPSIS-S3WD कहा जाता है, जो सिमेट्रिक इंट्यूशनिस्टिक फजी TOPSIS को एक सेल्फ-इंटरैक्टिव सीक्वेंशियल थ्री-वे डिसीजन तंत्र के साथ एकीकृत करता है। कार्यप्रणाली तीन अलग-अलग चरणों में आगे बढ़ती है:

ऑब्जेक्टिव वेट निर्धारण:
मैन्युअल वेटिंग के बजाय, लेखक एक उन्नत शैनन एंट्रॉपी-आधारित पद्धति का उपयोग करते हैं जो एक इंट्यूशनिस्टिक फजी वातावरण के भीतर काम करती है। यह दृष्टिकोण मेंबरशिप, नॉन-मेंबरशिप और हिचकिचाहट डिग्री के आधार पर एलिमेंट्री इंफॉर्मेशन मेजर्स ( $E_{ij}$ ) की गणना करता है। इन मेजर्स को नॉर्मलाइज करके एंट्रॉपी वैल्यूज प्राप्त की जाती हैं, जिनका उपयोग ऑब्जेक्टिव एट्रिब्यूट वेट्स निकालने के लिए किया जाता है। इन वेट्स को अटानासोव-टाइप पावर ऑपरेशन के माध्यम से निर्णय मैट्रिक्स में एम्बेड किया जाता है, जो उच्च-वेट एट्रिब्यूट्स को मजबूत करता है और कम-वेट एट्रिब्यूट्स को दबाता है, जबकि इंट्यूशनिस्टिक फजी संरचना को सुरक्षित रखता है।
सिमेट्रिक इंट्यूशनिस्टिक फजी TOPSIS:
फ्रेमवर्क प्रत्येक ऑब्जेक्ट के लिए एक सिमेट्रिक रिलेटिव क्लोजनेस डिग्री की गणना करता है। पारंपरिक TOPSIS के विपरीत, यह विधि:

पूर्व-निर्धारित एट्रिब्यूट प्रकारों के बजाय नेट इफेक्टिवनेस स्कोर ( $\mu' - \nu'$ ) के आधार पर पॉजिटिव आइडियल सॉल्यूशंस (PIS) और नेगेटिव आइडियल सॉल्यूशंस (NIS) को गतिशील रूप से पहचानती है।
PIS और NIS से दूरी की गणना करने के लिए एक मैक्स-टाइप सिमेट्रिक मेट्रिक का उपयोग करती है। यह मेट्रिक मेंबरशिप और नॉन-मेंबरशिप डिग्री में विचलन को समान रूप से मानता है, जिससे दिशात्मक पूर्वाग्रह समाप्त हो जाता है।
एक रिलेटिव क्लोजनेस डिग्री ( $T_i$ ) की गणना करता है जो पॉजिटिव आइडियल के प्रति आकर्षण और नेगेटिव आइडियल से प्रतिकर्षण दोनों को दर्शाता है।

सेल्फ-इंटरैक्टिव सीक्वेंशियल थ्री-वे डिसीजन (S3WD):
एट्रिब्यूट सेट का विस्तार करने के बजाय, क्लासिफायर एक फिक्स्ड एट्रिब्यूट सेट पर कार्य करता है। यह निरंतर रिलेटिव क्लोजनेस डिग्री को एक आंतरिक फीडबैक लूप के माध्यम से पदानुक्रमित वर्गीकरण निर्णयों (पॉजिटिव, नेगेटिव और बाउंड्री रीजन) में बदल देता है:

थ्रेशोल्ड ट्रैवर्सल: वर्तमान बाउंड्री रीजन में मौजूद ऑब्जेक्ट्स की संख्या के आधार पर कैंडिडेट थ्रेशोल्ड पेयर्स $(\alpha, \beta)$ का एक परिमित ग्रिड जेनरेट किया जाता है।
प्रोबेबिलिटी असेसमेंट: प्रत्येक ऑब्जेक्ट के लिए, पॉजिटिव, नेगेटिव या बाउंड्री रीजन में होने की संभावना का अनुमान लगाने के लिए रिलेटिव क्लोजनेस डिग्री से प्रोबेबिलिटी असेसमेंट फंक्शन्स ( $h_1, h_2, h_3$ ) प्राप्त किए जाते हैं।
ऑप्टिमल ट्रिसेक्शन: एक ट्रिसेक्शन-इवैल्यूएशन मेजर ( $H$ ) विभिन्न थ्रेशोल्ड कॉम्बिनेशन की गुणवत्ता को मापता है। एल्गोरिदम पुनरावृत्ति के माध्यम से उस थ्रेशोल्ड पेयर का चयन करता है जो $H$ को अधिकतम करता है, जिससे एक एडेप्टिव, लॉस-फंक्शन-फ्री निर्णय प्रक्रिया बनती है।
समाप्ति (Termination): यह प्रक्रिया शेष बाउंड्री ऑब्जेक्ट्स पर तब तक दोहराई जाती है जब तक कि अभिसरण (convergence) न हो जाए या जब तक कि कोई अद्वितीय अनुकूल ट्रिसेक्शन निर्धारित न किया जा सके, जो स्वाभाविक रूप से प्रगतिशील एट्रिब्यूट विस्तार से जुड़े गलत वर्गीकरण संचय को रोकता है।

प्रमुख योगदान
शोध पत्र तीन प्राथमिक योगदानों की पहचान करता है:

ऑब्जेक्टिव वेटिंग: हिचकिचाहट जानकारी को शामिल करके ऑब्जेक्टिव एट्रिब्यूट वेट्स निर्धारित करने के लिए एक उन्नत इंट्यूशनिस्टिक फजी शैनन एंट्रॉपी दृष्टिकोण पेश किया गया है, जो पारंपरिक IF-TOPSIS मॉडल्स में सामान्य विषयपरक पूर्वाग्रह को कम करता है।
सिमेट्रिक इवैल्यूएशन: मैक्स-टाइप डिस्टेंस पर आधारित एक सिमेट्रिक रिलेटिव क्लोजनेस डिग्री प्रस्तावित है। यह मेंबरशिप और नॉन-मेंबरशिप जानकारी में विचलन पर संतुलित दंड (penalization) लागू करता है, जिससे ज्यामितीय निरंतरता में सुधार होता है।
लॉस-फंक्शन-फ्री S3WD: एक नया सीक्वेंशियल थ्री-वे डिसीजन फ्रेमवर्क बनाया गया है जो रिलेटिव क्लोजनेस डिग्री और एक आंतरिक सेल्फ-इंटरैक्टिव तंत्र पर निर्भर है। यह एक फिक्स्ड एट्रिब्यूट सेट पर एडेप्टिव डायनेमिक थ्रेशोल्ड के साथ पदानुक्रमित निर्णय उत्पन्न करता है, जो पारंपरिक S3WD सेटिंग्स में पाए जाने वाले गलत वर्गीकरण संचय के जोखिम को स्वाभाविक रूप से टालता है।

प्रायोगिक परिणाम
प्रस्तावित क्लासिफायर का मूल्यांकन UCI मशीन लर्निंग रिपॉजिटरी (जैसे, Wdbc, Breast, Glioma, German) से नौ बाइनरी क्लासिफिकेशन डेटासेट्स पर किया गया।

प्रदर्शन: विधि ने प्रतिस्पर्धी परिणाम प्राप्त किए, विशेष रूप से रिकॉल (Recall) और F1-स्कोर के मामले में। इसने कई डेटासेट्स (Breast, Glioma, German, Statlog) पर सर्वश्रेष्ठ या संयुक्त-सर्वश्रेष्ठ परिणाम प्राप्त किए और तुलना की गई विधियों के बीच उच्चतम औसत रिकॉल प्रदर्शित किया। जबकि नाइव बेज (Naive Bayes) ने कुछ मेट्रिक्स में उच्च औसत सटीकता दिखाई, SIF-TOPSIS-S3WD ने प्रिसिजन और रिकॉल के बीच एक अनुकूल संतुलन प्रदान किया।
मजबूती (Robustness): मिश्रित फीचर परटर्बेशन्स (गौसियन नॉइज़, मिसिंग वैल्यूज़ और आउटलेयर्स) के 30% स्तर तक के तहत, प्रस्तावित विधि ने स्थिर प्रदर्शन बनाए रखा। यह परटर्बेशन स्तरों केAcross लगातार शीर्ष तीन विधियों में बना रहा, और पारंपरिक TOPSIS वेरिएंट्स से बेहतर प्रदर्शन किया, जो डेटा भ्रष्टाचार के प्रति अधिक संवेदनशील पाए गए।
संवेदनशीलता: हिचकिचाहट पैरामीटर ( $\pi$ ) के संबंध में संवेदनशीलता विश्लेषण ने संकेत दिया कि इष्टतम मान डेटासेट-निर्भर है, जो सार्वभौमिक स्थिरांक के बजाय डेटा-संचालित ट्यूनिंग की आवश्यकता को दर्शाता है।

महत्व और दावे
लेखक दावा करते हैं कि सिमेट्रिक इंट्यूशनिस्टिक फजी रिप्रेजेंटेशन और सीक्वेंशियल थ्री-वे डिसीजन के बीच तालमेल बाइनरी क्लासिफिकेशन के लिए एक मजबूत और व्याख्या योग्य फ्रेमवर्क प्रदान करता है। इस कार्य का महत्व निम्नलिखित में निहित है:

रैंकिंग-ओरिएंटेड IF-TOPSIS से पदानुक्रमित वर्गीकरण तंत्र की ओर बदलाव।
पारंपरिक S3WD मॉडल्स के लिए एक लॉस-फंक्शन-फ्री विकल्प प्रदान करना, जो मैन्युअल लॉस फंक्शन स्पेसिफिकेशन की आवश्यकता को समाप्त करता है।
एक फिक्स्ड एट्रिब्यूट सेट पर एडेप्टिव थ्रेशोल्ड के साथ काम करके गलत वर्गीकरण संचय की समस्या को कम करना, जो प्रगतिशील एट्रिब्यूट विस्तार के बजाय काम करता है।
यह प्रदर्शित करना कि प्रस्तावित क्लासिफायर एक डेटा-संचालित, वेट-अवेयर दृष्टिकोण प्रदान करता है जो प्रदर्शन और डेटा कंटैमिनेशन के खिलाफ मजबूती के मामले में प्रतिस्पर्धी है।

शोध पत्र विनम्रतापूर्वक निष्कर्ष निकालता है, यह नोट करते हुए कि हालांकि विधि प्रतिस्पर्धी है, यह सभी डेटासेट्स और मेट्रिक्स पर समान रूप से प्रभावी नहीं है। भविष्य के कार्य के रूप में मल्टी-क्लास सेटिंग्स में फ्रेमवर्क का विस्तार करने और हिचकिचाहट डिग्री को निर्धारित करने के लिए लर्निंग-आधारित तंत्रों का पता लगाने का सुझाव दिया गया है।