Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning

Resumo Técnico: Vínculo de Vetor Aleatório Funcional com Grafos Incorporados e Aprendizado Multiview de Lógica Difusa Intuitiva (IFGRVFL-MV)

Definição do Problema
As redes de Vínculo de Vetor Aleatório Funcional (RVFL) são reconhecidas por suas velocidades de treinamento rápidas e capacidades de aproximação universal, alcançadas ao inicializar aleatoriamente os pesos da camada oculta e resolver analiticamente para os pesos de saída. No entanto, os modelos RVFL padrão enfrentam limitações específicas: eles frequentemente têm dificuldade em preservar as relações geométricas intrínsecas dos dados, são sensíveis a conjuntos de dados ruidosos ou incertos e não aproveitam efetivamente informações complementares de múltiplas visões de características (Aprendizado Multiview). Embora variantes existentes tenham abordado esses problemas isoladamente — como o IFRVFL para incerteza, o GE-RVFL para estrutura geométrica e o MvRVFL para integração de características — nenhum framework unificado combina atualmente os três para lidar simultaneamente com a incerteza, preservar a topologia e explorar dados multiview.

Metodologia
O modelo proposto IFGRVFL-MV integra Conjuntos Difusos Intuitivos (IFS), Incorporação de Grafos (GE) e Aprendizado Multiview (MVL) em um framework RVFL unificado. A metodologia procede da seguinte forma:

1. Ponderação Difusa Intuitiva: O modelo atribui valores de pertinência difusa intuitiva ($f$) e não-pertinência ($f^*$) aos pontos de dados em cada visão.

   • O valor de pertinência é determinado pela distância de uma amostra em relação ao centro de sua classe em relação ao raio da classe.
   • O valor de não-pertinência é derivado da razão de vizinhos heterogêneos (amostras com diferentes rótulos de classe) dentro de um limiar de proximidade.
   • Uma função de pontuação ($s_i$) é computada com base nesses valores para quantificar a confiabilidade de cada amostra, reduzindo efetivamente o peso de outliers e dados ruidosos durante o treinamento.

2. Incorporação de Grafos (GE): Para preservar a estrutura topológica dos dados, o modelo constrói grafos intrínsecos e de penalidade sobre a matriz de características concatenada de cada visão. Este framework garante que amostras com rótulos semelhantes permaneçam próximas (grafo intrínseco), enquanto amostras com rótulos diferentes sejam afastadas (grafo de penalidade), melhorando a generalização.

3. Aprendizado Multiview (MVL): O modelo processa duas visões distintas dos dados (Visão-P e Visão-Q). Ele emprega uma estratégia de fusão precoce onde o objetivo de otimização minimiza conjuntamente o erro para ambas as visões, ao mesmo tempo em que impõe consistência entre elas.

4. Formulação de Otimização: O núcleo do modelo é um problema de otimização regularizado que minimiza uma soma ponderada de erros quadráticos, normas de pesos de saída e penalidades de incorporação de grafos.

   • Os termos de erro para cada visão são ponderados pelas raízes quadradas das matrizes de pontuação difusa intuitiva ($S_1^{1/2}$ e $S_2^{1/2}$), reduzindo a influência de amostras incertas.
   • Um termo de consistência entre visões ($\rho \xi_1^T S_1^{1/2} S_2^{1/2} \xi_2$) alinha as previsões das duas visões.
   • A solução é derivada analiticamente através da resolução de um sistema de equações lineares envolvendo os multiplicadores de Lagrange, resultando em uma solução de forma fechada para os pesos de saída ($\beta_1, \beta_2$).

Principais Contribuições
O artigo descreve quatro contribuições primárias:

1. Integração de IFS no RVFL: A introdução de conjuntos difusos intuitivos no framework RVFL para lidar com a incerteza e imprecisão dos dados. Valores de pertinência e não-pertinência são atribuídos com base na distância da amostra dos centros de classe e na heterogeneidade dos vizinhos.
2. Melhoria por Incorporação de Grafos: A incorporação do framework GE para capturar relações geométricas nos dados. Ao definir grafos intrínsecos e de penalidade sobre a matriz de características, o modelo preserva estruturas topológicas para melhorar a generalização.
3. Utilização de Aprendizado Multiview: A aplicação de MVL para combinar informações de múltiplas visões de características, permitindo que o modelo capture padrões complexos não aparentes em uma única visão.
4. Validação Empírica: Experimentos extensos em datasets de referência dos repositórios UCI e KEEL, apoiados por análises estatísticas (Friedman, Wilcoxon e testes de win-tie-loss) para validar a superioridade do modelo.

Resultos
O modelo IFGRVFL-MV foi avaliado em oito datasets de referência (ex: pittsburgh-bridges, breast-cancer, mammographic, Pima).

• Desempenho: O modelo proposto alcançou a maior acurácia média de classificação de 81,06%, superando os modelos de base, incluindo RVFL1 (71,99%), RVFL2 (70,38%), GE-IFWRVFL (76,00%) e GRVFL-MV (79,50%).
• Significância Estatística:
  • O teste de Friedman resultou em uma estatística de 23,714 com um p-valor de 0,00009, rejeitando a hipótese nula e confirmando diferenças significativas de desempenho entre os modelos. O modelo proposto obteve o melhor ranking médio (1,19).
  • O teste post hoc de Nemenyi identificou lacunas significativas entre o modelo proposto e outros, particularmente contra o GRVFL-MV.
  • O teste de postos sinalizados de Wilcoxon confirmou que o IFGRVFL-MV supera significativamente o RVFL1, RVFL2 e GE-IFWRVFL (p-valores < 0,05).
  • Análise Win-Tie-Loss: Através dos datasets, o IFGRVFL-MV obteve entre 5 a 7 vitórias contra os modelos de base, demonstrando superioridade consistente.

Significância e Alegações
O artigo afirma que o IFGRVFL-MV representa um avanço promissor no domínio de ambientes de aprendizado multiview e de incerteza. Ao combinar perfeitamente a teoria difusa intuitiva, incorporação de grafos e aprendizado multiview, o modelo aborda as limitações de abordagens existentes que tratam essas técnicas de forma isolada. Os autores afirmam que o modelo lida efetivamente com datasets ruidosos e aproveita informações de características complementares para alcançar uma acurácia de classificação superior. O trabalho estabelece um novo benchmark para modelos baseados em RVFL em ambientes de incerteza, embora os autores observem que trabalhos futuros focarão na otimização da eficiência computacional e na exploração da escalabilidade em datasets maiores e do mundo real.