Roughness and entropy measures of a soft set

技術的概要：軟集合の粗さとエントロピー測度

問題提起
本論文は、軟集合理論と粗集合理論を組み合わせる既存のハイブリッドモデルの限界に取り組む。粗集合理論（パワラック）は近似空間と不可識別関係を通じて不確実性を効果的に処理するが、パターン認識や画像処理など、重なり合う対象を含むシナリオでは困難に直面する。具体的には、古典的な粗集合の定義における下限近似と上限近似は、2 つの重なり合う対象の境界を明確に区別することができない。さらに、軟集合と粗集合を統合しようとする以前の試み（Feng ら、Ali、Shabir らなど）は、しばしば Molodtsov が確立した軟集合理論の基礎的な数学的・哲学的原則から逸脱している。これらの逸脱には、軟部分集合の誤った使用や、Molodtsov の元の定義、特に属性集合の扱いや伝統的な意味での「軟部分集合」の非存在に関する定義と整合しない操作が含まれる。その結果、Molodtsov の公理を厳密に遵守しつつ、重なり合う近似を効果的に処理する、軟集合に対する粗さとエントロピー測度を定義するための厳密な理論的枠組みが存在しない。

方法論
著者らは、Molodtsov の基礎原則を厳密に遵守することで、「軟粗集合」の新たな枠組みを開発する。方法論は以下の通りである：

1. 近似の再定義：普遍集合の部分集合を直接使用するのではなく、著者らは属性を近似部分集合に関連付けることに基づき、下限軟近似と上限軟近似を定義する。

   • 下限軟近似（$L(S, A)$）：属性部分集合 $S(a_i)$ 内に含まれる同値類 $B_j$ の和集合 $\cup B_j$ との対 $(a_i, \cup B_j)$ の集合として定義される。
   • 上限軟近似（$U(S, A)$）：$S(a_i)$ と非空の共通部分を持つ同値類 $C_k$ の和集合 $\cup C_k$ との対 $(a_i, \cup C_k)$ の集合として定義される。
   • 境界：各属性に対する上限軟近似と下限軟近似の差として定義される。

2. 粗さ測度：2 つの異なる粗さ測度が導入される。

   • パワラック型（$\theta^P_R$）：すべての属性にわたる和に対して適応された、下限近似の濃度と上限近似の濃度の比率に基づく。
   • ヤオ由来（$\theta^Y_R$）：正確性に関する特定の公理（完全集合、空集合、および粒度に関する単調性に対する条件を含む）を満たすように設計された新しい測度。この測度は、対象とその背景との間の対称性を保証するために、下限近似と補集合の上限近似の両方を組み込んでいる。

3. エントロピー測度：軟集合に関連する知識の不完全性を定量化するために、6 つのエントロピー測度が提案される。

   • 対数測度 3 つ（シャノンのエントロピーに基づく）：パワラック型粗さ測度に基づくもの 2 つ（対象とその補集合を含む）と、ヤオ由来の粗さ測度に基づくもの 1 つ。
   • 指数測度 3 つ：パワラック型粗さに基づくもの 2 つと、ヤオ由来の粗さに基づくもの 1 つ。
   • これらの測度は、最大値、連続性、対称性、および凹性などの特性について分析される。

4. 理論的分析：本論文は、内部近似と外部近似に関する性質、異なる同値関係（粒度）下でのこれらの測度の挙動、および提案された測度とその補集合との関係について厳密に証明する。

主要な貢献

• 新たな粗さ枠組み：本論文は、Molodtsov の元の定義を保持する「軟粗集合」の概念を導入する。具体的には、「軟部分集合」の概念を避け、内部近似と外部近似を正しく利用する。これにより、対象が重なり合う場合でも、下限近似と上限近似を明確に定義することが可能になる。
• 2 つの粗さ測度：特定の公理的要件を満たすパワラック型測度と、新しいヤオ由来測度の提案。これにより、軟集合における正確性を評価するより堅牢な方法が提供される。
• 6 つのエントロピー測度：提案された粗さ測度から導出された 6 つのエントロピー測度（対数測度 3 つ、指数測度 3 つ）の体系的な定義と分析。
• 公理的検証：提案されたヤオ由来の正確性測度が、パワラック型測度が満たさない一連の公理（特に集合とその補集合との間の対称性に関するもの）を満たすことを示す。
• 比較分析：理論的例と視覚的表現を通じて示された、提案された枠組みが古典的粗集合理論では処理できない重なり合う領域の問題を解決することを示す詳細な比較。

結果

• 理論的性質：著者らは、ある軟集合が他方を内部近似する場合、それらの下限および上限軟近似はこの関係を維持することを証明する。逆に、外部近似については、下限近似についてはこの関係が成り立つが、上限近似については必ずしも成り立たない。
• 粒度の影響：普遍集合の粒度が細かくなる（同値類が小さくなる）につれて、軟集合の正確性が増加し、粗さが減少することが確認される。
• エントロピーの挙動：
  • 対数エントロピー測度は凹性を持ち、連続的であることが示される。
  • 指数エントロピー測度は、パラメータ $\beta$ に依存する特定の単調な挙動を示す。
  • 測度 Ent^1_P_e（パワラックベース、2 変数）は計算効率が優れているが、補集合に関する公理的整合性が欠如している。
  • 測度 Ent^3_P_e（ヤオベース、1 変数）は、理論的に一貫性があり、特に対象と背景を同時に分析する際に汎用的なモデリングに適していると特定される。
• 重なり合いの処理：提案された定義は、標準的なパワラック近似では不可能であった、重なり合う領域（例えば、画像内の赤、青、緑の領域）の境界を、属性ベースの近似として区別することによって、成功裏に区別する。

意義
本論文は、その主な意義が、既存のハイブリッドモデルの限界に特に対処し、軟集合における不確実性を分析するための数学的に妥当かつ哲学的に整合する枠組みを提供することにあると主張する。Molodtsov の原則を厳密に保持することで、提案された枠組みは古典的粗集合理論とは異なる、粗さの特性化に関する新たなアプローチを提供する。

著者らは、この枠組みがパターン認識、画像処理、AI 視覚など、重なり合う対象を含む応用に特に価値があることを強調する。重なり合う領域に対して下限近似と上限近似を明確に定義できる能力は、宇宙探査（例えば、太陽系外惑星の表面の分析）のような複雑な領域において、粗集合理論を補完する潜在的なツールとなり得ると示唆している。本論文は、単一のエントロピー測度が普遍的に最適であるわけではないが、提案された測度のファミリーが不確実性の定量化のための柔軟なツールキットを提供し、測度の選択はアプリケーションの特定の要件と、公理的整合性と計算の簡便さのどちらを優先するかによって決まると結論付けている。