🤖 machine learning

Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning

Dit artikel stelt het IFGRVFL-MV-model voor, dat intuïtionistische fuzzy-sets, graph embedding en multiview-leren integreert in Random Vector Functional Link-netwerken om effectief onzekerheid te hanteren, geometrische structuren te behouden en complementaire kenmerkinformatie te benutten, waardoor een superieure classificatienauwkeurigheid op benchmark-datasets wordt bereikt vergeleken met bestaande modellen.

Oorspronkelijke auteurs: Vrushank Ahire, Yogesh Kumar, M. A. Ganaie

Gepubliceerd 2026-07-08

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Vrushank Ahire, Yogesh Kumar, M. A. Ganaie

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Het Bouwen van een Slimmere "Raadmachine"

Stel je voor dat je een computer probeert te leren om een stapel gemengde post te sorteren in de bakken "Bewaren" en "Weggooien". Dit is een classificatieprobleem. Een lange tijd hebben computers een hulpmiddel genaamd RVFL (Random Vector Functional Link) gebruikt om dit te doen.

Zie RVFL als een zeer snelle, efficiënte sorteermachine voor de post. In tegenstelling tot andere sorteerders die langzaam moeten leren door vallen en opstaan (zoals een student die jarenlang moet studeren), krijgt RVFL een "voorsprong". Het wijst willekeurig regels toe aan zijn interne tandwielen en berekent vervolgens direct het uiteindelijke antwoord. Het is snel en meestal goed, maar het heeft twee belangrijke zwaktes:

Het raakt in de war door "slechte data": Als een stuk post gescheurd, bevlekt of onduidelijk is (het lijkt zowel op "Bewaren" als op "Weggooien"), loopt de sorteerder vast.
Het negeert de "vorm" van de data: Het behandelt elk stuk post als een geïsoleerd item, zonder te beseffen dat vergelijkbare brieven vaak in dezelfde bak thuishoren.
Het kijkt slechts vanuit één hoek: Het probeert te sorteren op basis van slechts één beschrijving van de post (bijv. kleur), waarbij andere nuttige details (bijv. textuur of gewicht) worden genegeerd.

De auteurs van dit artikel, Vrushank Ahire, Yogesh Kumar en M.A. Ganaie, hebben een nieuwe, verbeterde sorteerder gebouwd genaamd IFGRVFL-MV. Ze hebben drie krachtige hulpmiddelen gecombineerd om de zwaktes van de oude sorteerder te verhelpen.

De Drie Upgrades (Het "Geheime Recept")

1. De "Vage Rechter" (Intuitionistic Fuzzy Sets)

Het Probleem: Soms is een stuk post zo beschadigd of vreemd dat de sorteerder niet weet of het in de "Bewaren"-stapel of de "Weggooien"-stapel thuishoort. Het is een grijs gebied.
De Oplossing: De auteurs hebben een Vage Rechter toegevoegd. In plaats van een hard "Ja" of "Nee" af te dwingen, geeft deze rechter een score van "Hoeveel denk ik dat dit erbij hoort?" en "Hoeveel denk ik dat dit er niet bij hoort?".

Analogie: Stel je een uitsmijter bij een club voor. Een normale uitsmijter zegt: "Je bent binnen" of "Je bent buiten". De Vage Rechter zegt: "Je ziet er voor 80% uit als een VIP uit, maar voor 20% als een probleemgeval." Als iemand duidelijk een probleemgeval is (een uitschieter of ruis), geeft de rechter een lage score, waardoor de sorteerder weet dat hij hem moet negeren of voorzichtig moet behandelen. Dit maakt het systeem robuust tegen rommelige, ruizige data.

2. De "Kaartmaker" (Graph Embedding)

Het Probleam: De oude sorteerder kijkt naar items één voor één. Hij beseft niet dat als Item A op Item B lijkt, en Item B op Item C lijkt, dan A en C waarschijnlijk ook in dezelfde bak thuishoren.
De Oplossing: De auteurs hebben een Kaartmaker toegevoegd. Dit hulpmiddel tekent onzichtbare lijnen die vergelijkbare gegevenspunten met elkaar verbinden, waardoor een web of een kaart ontstaat.

Analogie: Stel je een feestje voor waar je niemand kent. Een normale sorteerder vraagt: "Wie ben jij?" en beslist op basis daarvan. De Kaartmaker kijkt naar de kamer en ziet: "Oh, iedereen met een rood shirt staat in een cirkel te praten." Het behoudt de geometrische vorm van de menigte. Zelfs als één persoon in de rode cirkel een blauwe hoed draagt (ruis), weet de kaart dat die persoon nog steeds deel uitmaakt van de rode cirkelgroep. Dit helpt het model om beter te generaliseren naar nieuwe data.

3. Het "Team van Experts" (Multiview Learning)

Het Probleem: De oude sorteerder kijkt alleen vanuit één hoek naar de post (bijv. alleen de kleur). Maar wat als de kleur misleidend is?
De Oplossing: De auteurs hebben een Team van Experts gecreëerd. Ze geven de sorteerder tegelijkertijd twee verschillende "perspectieven" op de data.

Analogie: Stel je voor dat je probeert een vrucht te identificeren.
- Perspectief 1 (Expert A): Kijkt naar de kleur van de vrucht (Rood?).
- Perspectief 2 (Expert B): Kijkt naar de textuur van de vrucht (Glad?).
- Het Team: In plaats van slechts één expert te vragen, vraagt het model aan beide. Als Expert A "Appel" zegt (omdat hij rood is) en Expert B "Appel" zegt (omdat hij glad is), is het model zeer zelfverzekerd. Als ze van mening verschillen, gebruikt het model zijn wiskunde om het beste compromis te vinden. Dit stelt het model in staat om complementaire informatie te gebruiken om slimmere beslissingen te nemen.

Hoe Ze Alles Samenbrengen

Het nieuwe model, IFGRVFL-MV, is als een superteam van postsorteerders:

Het bekijkt de post vanuit twee verschillende hoeken (Multiview).
Het tekent een kaart om te zien hoe de postitems zich tot elkaar verhouden (Graph Embedding).
Het gebruikt een Vage Rechter om te beslissen hoeveel vertrouwen het in elk stuk post heeft, door de stukken die te vreemd of beschadigd zijn te negeren (Intuitionistic Fuzzy).

De Resultaten: Heeft het Gewerkt?

De auteurs hebben hun nieuwe model getest tegen de oude modellen met behulp van standaard datasets (zoals de UCI en KEEL repositories, die fungeren als openbare bibliotheken van testproblemen).

De Score: Het nieuwe model behaalde een gemiddelde nauwkeurigheid van 81,06%, waarmee het de op één na beste modellen (79,50%) en de basismodellen (rond de 70-72%) versloeg.
Het Bewijs: Ze zeiden niet alleen "het ziet er beter uit". Ze voerden strikte statistische tests uit (zoals de Friedman- en Wilcox-tests). Dit zijn als scheidsrechters die de scorekaarten controleren om te verzekeren dat de overwinning niet op geluk berustte. De resultaten lieten zien dat het nieuwe model statistisch significant beter is dan de anderen.

Samenvatting

In eenvoudige termen hebben de auteurs een snelle maar enigszins onhandige sorteermachine genomen en deze voorzien van:

Betere ogen om patronen te zien (Graph Embedding).
Een tweede mening om het werk te controleren (Multiview Learning).
Een slimmer brein om met verwarring en fouten om te gaan (Intuitionistic Fuzzy Logic).

Het resultaat is een machine die data nauwkeuriger sorteert, vooral wanneer de data rommelig, ruizig of complex is. De paper concludeert dat deze aanpak een veelbelovende stap voorwaarts is voor het omgaan met onzekerheid in machine learning.

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

Probleemstelling
Random Vector Functional Link (RVFL) netwerken worden erkend om hun snelle trainingssnelheden en universele benaderingsmogelijkheden, die worden bereikt door de gewichten van de verborgen lagen willekeurig te initialiseren en de outputgewichten analytisch op te lossen. Echter, standaard RVFL-modellen kampen vaak met specifieke beperkingen: ze hebben vaak moeite met het behouden van de intrinsieke geometrische relaties binnen gegevens, zijn gevoelig voor ruisachtige of onzekere datasets, en maken niet effectief gebruik van complementaire informatie uit meerdere feature-views (Multiview Learning). Hoewel bestaande varianten deze problemen afzonderlijk hebben aangepakt—zoals Intuitionistic Fuzzy RVFL (IFRVFL) voor onzekerheid, Graph Embedded RVFL (GE-RVFL) voor geometrische structuur, en Multiview RVFL (MvRVFL) voor feature-integratie—bestaat er momenteel geen verenigd framework dat alle drie combineert om gelijktijdig onzekerheid te hanteren, de topologie te behouden en multiview-data te exploiteren.

Methodologie
Het voorgestelde IFGRVFL-MV model integreert Intuitionistic Fuzzy Sets (IFS), Graph Embedding (GE) en Multiview Learning (MVL) in een verenigd RVFL-framework. De methodologie verloopt als volgt:

Intuitionistic Fuzzy Weging: Het model wijst intuitionistic fuzzy lidmaatschap ( $f$ ) en niet-lidmaatschap ( $f^*$ ) waarden toe aan datapunten in elke view.
- De lidmaatschapswaarde wordt bepaald door de afstand van een sample tot het klassencentrum relatief aan de klasseradius.
- De niet-lidmaatschapswaarde wordt afgeleid van de ratio van heterogene buren (samples met verschillende klassenlabels) binnen een nabijheidsdrempel.
- Een scorefunctie ( $s_i$ ) wordt berekend op basis van deze waarden om de betrouwbaarheid van elk sample te kwantificeren, wat effectief uitschieters en ruisachtige data tijdens de training vermindert.
Graph Embedding (GE): Om de topologische structuur van de data te behouden, construeert het model intrinsieke en penalty-grafen over de geconcateneerde feature-matrix van elke view. Dit framework zorgt ervoor dat samples met vergelijkbare labels dicht bij elkaar blijven (intrinsieke graaf), terwijl samples met verschillende labels uit elkaar worden geduwd (penalty graaf), wat de generalisatie verbetert.
Multiview Learning (MVL): Het model verwerkt twee verschillende views van de data (View-P en View-Q). Het maakt gebruik van een early fusion strategie waarbij het optimalisatie-doel gezamenlijk de fout voor beide views minimaliseert, terwijl er consistentie tussen hen wordt afgedwongen.
Optimalisatie Formulering: De kern van het model is een geregulariseerd optimalisatieprobleem dat een gewogen som van kwadratische fouten, output gewichtsnormen en graph embedding penalties minimaliseert.
- De fouttermen voor elke view worden gewogen door de vierkantswortels van de intuitionistic fuzzy scorematrices ( $S_1^{1/2}$ en $S_2^{1/2}$ ), waardoor de invloed van onzekere samples wordt verminderd.
- Een cross-view consistentieterm ( $\rho \xi_1^T S_1^{1/2} S_2^{1/2} \xi_2$ ) stemt de voorspellingen van de twee views op elkaar af.
- De oplossing wordt analytisch afgeleid door een stelsel van lineaire vergelijkingen op te lossen met betrekking tot de Lagrange-multiplicatoren, wat resulteert in een gesloten vorm oplossing voor de outputgewichten ( $\beta_1, \beta_2$ ).

Belangrijkste Bijdragen
Het artikel schetst vier primaire bijdragen:

Integratie van IFS in RVFL: De introductie van intuitionistic fuzzy sets in het RVFL-framework om de onzekerheid en onnauwkeurigheid van data te hanteren. Lidmaatschaps- en niet-lidmaatschapswaarden worden toegewezen op basis van de afstand van een sample tot de klassencentra en de heterogeniteit van buren.
Graph Embedding Verbetering: De incorporatie van het GE-framework om de geometrische relaties binnen de data te vangen. Door intrinsieke en penalty-grafen over de feature-matrix te definiëren, behoudt het model de topologische structuren om de generalisatie te verbeteren.
Multiview Learning Utilisatie: De toepassing van MVL om informatie uit meerdere feature-views te combineren, waardoor het model complexe patronen kan vangen die niet zichtbaar zijn in een enkele view.
Empirische Validatie: Uitgebreide experimenten op benchmark-datasets van de UCI en KEEL repositories, ondersteund door statistische analyses (Friedman, Wilcoxon en win-tie-loss tests) om de superioriteit van het model te valideren.

Resultaten
Het IFGRVFL-MV model werd geëvalueerd op acht benchmark-datasets (bijv. pittsburgh-bridges, breast-cancer, mammographic, Pima).

Prestaties: Het voorgestelde model behaalde de hoogste gemiddelde classificatienauwkeurigheid van 81,06%, waarmee het baseline modellen zoals RVFL1 (71,99%), RVFL2 (70,38%), GE-IFWRVFL (76,00%) en GRVFL-MV (79,50%) overtrof.
Statistische Significantie:
- De Friedman-test leverde een statistiek op van 23,714 met een p-waarde van 0,00009, wat de nulhypothese verwerpt en bevestigt dat er significante prestatieverschillen zijn tussen de modellen. Het voorgestelde model behaalde de beste gemiddelde rang (1,19).
- De Nemenyi post hoc test identificeerde significante verschillen tussen het voorgestelde model en anderen, met name tegenover GRVFL-MV.
- De Wilcoxon signed-rank test bevestigde dat IFGRVFL-MV significant beter presteert dan RVFL1, RVFL2 en GE-IFWRVFL (p-waarden < 0,05).
- Win-Tie-Loss Analyse: Over de datasets heen behaalde IFGRVFL-MV tussen de 5 en 7 overwinningen tegen de baselines, wat de consistente superioriteit aantoont.

Betekenis en Claims
Het artikel claimt dat IFGRVFL-MV een veelbelovende vooruitgang is in het domein van onzekerheid en multiview learning omgevingen. Door de naadloze combinatie van intuitionistic fuzzy theorie, graph embedding en multiview learning, adresseert het model de beperkingen van bestaande benaderingen die deze technieken geïsoleerd behandelen. De auteurs stellen dat het model effectief ruisachtige datasets kan hanteren en complementaire feature-informatie kan benutten om een superieure classificatienauwkeurigheid te bereiken. Het werk vestigt een nieuwe benchmark voor RVFL-gebaseerde modellen in onzekere omgevingen, hoewel de auteurs opmerken dat toekomstig werk zich zal richten op het optimaliseren van computationele efficiëntie en het verkennen van schaalbaarheid op grotere, real-world datasets.