Roughness and entropy measures of a soft set

Resumo Técnico: Medidas de Rugosidade e Entropia de um Conjunto Suave

Declaração do Problema
O artigo aborda as limitações dos modelos híbridos existentes que combinam a teoria dos conjuntos suaves e a teoria dos conjuntos rugosos. Embora a teoria dos conjuntos rugosos (Pawlak) lide efetivamente com a incerteza por meio de espaços de aproximação e relações de indistinguibilidade, ela enfrenta dificuldades em cenários envolvendo objetos sobrepostos, como em reconhecimento de padrões e processamento de imagens. Especificamente, as definições clássicas de aproximações inferiores e superiores em conjuntos rugosos não conseguem distinguir claramente as fronteiras de dois objetos sobrepostos. Além disso, tentativas anteriores de integrar conjuntos suaves com conjuntos rugosos (por exemplo, por Feng et al., Ali, Shabir et al.) frequentemente se desviam dos princípios matemáticos e filosóficos fundamentais estabelecidos por Molodtsov para a teoria dos conjuntos suaves. Esses desvios incluem o uso incorreto de subconjuntos suaves e operações que não se alinham com as definições originais de Molodtsov, particularmente no que tange ao tratamento de conjuntos de atributos e à inexistência de "subconjuntos suaves" no sentido tradicional. Consequentemente, há uma falta de um quadro teórico rigoroso para definir medidas de rugosidade e entropia para conjuntos suaves que adira estritamente aos axiomas de Molodtsov enquanto lida efetivamente com aproximações sobrepostas.

Metodologia
Os autores desenvolvem um novo quadro para "conjuntos suaves rugosos" aderindo estritamente aos princípios fundamentais de Molodtsov. A metodologia envolve:

1. Redefinição de Aproximações: Em vez de usar subconjuntos do conjunto universal diretamente, os autores definem aproximações suaves inferiores e superiores baseadas na associação de atributos com subconjuntos aproximados.

   • Aproximação Suave Inferior ($L(S, A)$): Definida como a coleção de pares $(a_i, \cup B_j)$ onde $B_j$ são classes de equivalência contidas dentro do subconjunto de atributos $S(a_i)$.
   • Aproximação Suave Superior ($U(S, A)$): Definida como a coleção de pares $(a_i, \cup C_k)$ onde $C_k$ são classes de equivalência que têm uma interseção não vazia com $S(a_i)$.
   • Fronteira: A fronteira é definida como a diferença entre as aproximações suaves superior e inferior para cada atributo.

2. Medidas de Rugosidade: São introduzidas duas medidas de rugosidade distintas:

   • Estilo Pawlak ($\theta^P_R$): Baseada na razão da cardinalidade da aproximação inferior para a aproximação superior, adaptada para a soma sobre todos os atributos.
   • Inspirada em Yao ($\theta^Y_R$): Uma nova medida projetada para satisfazer um conjunto específico de axiomas para precisão (incluindo condições para conjuntos exatos, conjuntos vazios e monotonicidade em relação à granulação). Esta medida incorpora tanto a aproximação inferior quanto a aproximação superior do complemento para garantir simetria entre um objeto e seu fundo.

3. Medidas de Entropia: São propostas seis medidas de entropia para quantificar a incompletude do conhecimento associada a um conjunto suave:

   • Três medidas logarítmicas (baseadas na entropia de Shannon): Duas baseadas na medida de rugosidade de Pawlak (envolvendo o objeto e seu complemento) e uma baseada na medida de rugosidade inspirada em Yao.
   • Três medidas exponenciais: Duas baseadas na rugosidade de Pawlak e uma baseada na rugosidade inspirada em Yao.
   • Estas medidas são analisadas quanto a propriedades como valor máximo, continuidade, simetria e concavidade.

4. Análise Teórica: O artigo prova rigorosamente propriedades relativas a aproximações internas e externas, o comportamento dessas medidas sob diferentes relações de equivalência (granularidade) e a relação entre as medidas propostas e seus complementos.

Principais Contribuições

• Novo Quadro de Rugosidade: O artigo introduz um conceito de conjuntos suaves rugosos que preserva as definições originais de Molodtsov, evitando especificamente o conceito de "subconjuntos suaves" e utilizando aproximações internas/externas corretamente. Isso permite a definição distinta de aproximações inferiores e superiores mesmo quando os objetos se sobrepõem.
• Duas Medidas de Rugosidade: A proposta de uma medida estilo Pawlak e uma nova medida inspirada em Yao que satisfaz requisitos axiomáticos específicos, oferecendo uma maneira mais robusta de avaliar a precisão em conjuntos suaves.
• Seis Medidas de Entropia: A definição sistemática e análise de seis medidas de entropia (três logarítmicas, três exponenciais) derivadas das medidas de rugosidade propostas.
• Validação Axiomática: A demonstração de que a medida de precisão inspirada em Yao proposta satisfaz um conjunto de axiomas que a medida estilo Pawlak não satisfaz, particularmente no que diz respeito à simetria entre um conjunto e seu complemento.
• Análise Comparativa: Uma comparação detalhada mostrando que o quadro proposto resolve o problema de regiões sobrepostas que a teoria clássica de conjuntos rugosos não consegue lidar, conforme ilustrado por exemplos teóricos e representações visuais.

Resultados

• Propriedades Teóricas: Os autores provam que, se um conjunto suave aproxima internamente outro, suas aproximações suaves inferiores e superiores mantêm essa relação. Por outro lado, para aproximações externas, a relação vale para aproximações inferiores, mas não necessariamente para aproximações superiores.
• Impacto da Granularidade: O estudo confirma que, à medida que a granulação do conjunto universal se torna mais fina (as classes de equivalência tornam-se menores), a precisão do conjunto suave aumenta e a rugosidade diminui.
• Comportamento da Entropia:
  • As medidas de entropia logarítmica mostram-se côncavas e contínuas.
  • As medidas de entropia exponencial exibem comportamentos monotônicos específicos dependentes do parâmetro $\beta$.
  • A medida Ent^1_P_e (baseada em Pawlak, de duas variáveis) é computacionalmente eficiente, mas carece de consistência axiomática em relação ao complemento.
  • A medida Ent^3_P_e (baseada em Yao, de uma variável) é identificada como mais teoricamente consistente e adequada para modelagem de propósito geral, particularmente ao analisar objetos e fundos simultaneamente.
• Tratamento de Sobreposições: As definições propostas distinguem com sucesso as fronteiras de regiões sobrepostas (por exemplo, regiões vermelhas, azuis e verdes em uma imagem) tratando-as como aproximações distintas baseadas em atributos, uma façanha não possível com aproximações padrão de Pawlak.

Significado
O artigo afirma que seu significado principal reside em fornecer um quadro matematicamente sólido e filosoficamente consistente para analisar a incerteza em conjuntos suaves, abordando especificamente as limitações dos modelos híbridos existentes. Ao preservar estritamente os princípios de Molodtsov, o quadro proposto oferece uma abordagem novel para a caracterização de rugosidade que é distinta da teoria clássica de conjuntos rugosos.

Os autores destacam que este quadro é particularmente valioso para aplicações envolvendo objetos sobrepostos, como reconhecimento de padrões, processamento de imagens e visão de IA. Eles sugerem que a capacidade de definir distintamente aproximações inferiores e superiores para regiões sobrepostas torna a metodologia uma ferramenta complementar potencial à teoria dos conjuntos rugosos em domínios complexos como a exploração espacial (por exemplo, analisando superfícies de exoplanetas). O artigo conclui que, embora nenhuma medida de entropia única seja universalmente ótima, a família proposta de medidas oferece um conjunto de ferramentas flexível para quantificação de incerteza, com a escolha da medida dependendo dos requisitos específicos da aplicação e da necessidade de consistência axiomática versus simplicidade computacional.