💻 computer science

Dynamic ensemble approach for multi-class classification based on neighborhood rough sets and sequential three-way decisions

Este artigo propõe o EM-S3WD, um framework de ensemble dinâmico que integra conjuntos aproximados de vizinhança com decisões sequenciais de três vias e uma estratégia de integração dinâmica condicional para superar as limitações de tuplas de referência fixas e restrições binárias no modelo original de Xu et al., alcançando, assim, um desempenho de classificação multiclasse adaptativo e competitivo.

Autores originais: Wenyan Xu, Qiang Chen, Yangyang Guo

Publicado 2026-09-10

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Wenyan Xu, Qiang Chen, Yangyang Guo

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da ciência da computação, existe uma luta constante para ensinar as máquinas a tomar decisões quando a informação que recebem é incompleta ou desordenada. Imagine tentar identificar uma fruta em uma cesta onde algumas estão machucadas, outras estão parcialmente escondidas e a iluminação é ruim. Uma resposta simples de "sim" ou "não" frequentemente falha porque os dados são incertos demais. Para lidar com isso, pesquisadores desenvolveram um método chamado decisão de três vias. Em vez de forçar uma escolha binária, essa abordagem permite que o sistema diga "sim", "não" ou "espere para ver". A opção "esperar" é crucial; ela reconhece que a evidência atual não é forte o suficiente para uma decisão final, evitando que a máquina dê palpites desenfreados. Esse conceito foi refinado em um processo sequencial, onde o sistema observa os dados através de uma série de lentes, cada uma ligeiramente diferente, para reduzir gradualmente as possibilidades até que uma decisão confiante possa ser tomada.

Com base nesse fundamento, uma equipe de pesquisadores da Universidade Xidian, na China, enfrentou uma limitação específica na forma como esses sistemas lidam com múltiplas categorias ao mesmo tempo. Embora os métodos existentes funcionassem bem para distinguir entre duas opções, eles tinham dificuldades quando solicitados a escolher entre muitas, como identificar diferentes tipos de sementes ou condições médicas. A abordagem antiga dependia de regras rígidas que tratavam pontos de dados como sendo ou idênticos ou completamente diferentes, o que frequentemente falhava em capturar as sutis variações encontradas em números do mundo real. Além disso, quando o sistema tentava adivinhar a categoria correta entre muitas, às vezes entrava em um impasse onde duas ou mais opções pareciam igualmente prováveis, deixando o computador travado. Os pesquisadores propuseram um novo framework, que chamam de EM-S3WD, projetado para tornar essas decisões mais flexíveis e resolver esses impasses sem perder a clareza do método original.

O cerne deste novo framework reside em como ele constrói seus pontos de referência. Nos sistemas antigos, o computador criava uma lista fixa de exemplos "ideais" a partir dos dados de treinamento. Uma vez feita essa lista, ela nunca mudava, independentemente de como os dados estavam distribuídos ou quão ruidoso era o ambiente. A nova abordagem substitui essa rigidez pela adaptabilidade. Em vez de usar igualdade estrita, o sistema utiliza um conceito chamado conjuntos rugosos de vizinhança (neighborhood rough sets), que permite agrupar pontos de dados com base em quão próximos eles estão uns dos outros, em vez de se serem exatamente iguais. Pense nisso como definir um bairro não por uma cerca rígida, mas por quão longe você pode caminhar de um ponto central antes que o caráter da área mude. Ao ajustar o tamanho desta vizinhança, o sistema pode selecionar exemplos de referência que se ajustem aos dados específicos que está observando, tornando o modelo muito mais robusto contra ruído e variação.

Uma vez que o sistema possui esses pontos de referência flexíveis, ele enfrenta o desafio de classificar dados em muitas categorias diferentes. Os pesquisadores utilizaram uma estratégia conhecida como "um-contra-todos" (one-versus-all), onde o computador constrói um decisor separado para cada categoria, perguntando: "Este item faz parte deste grupo ou é algo mais?". Cada um desses decisores, então, gera uma pontuação de confiança. No entanto, surge um problema quando duas ou mais categorias apresentam exatamente a mesma pontuação mais alta. No passado, o computador poderia simplesmente escolher uma ao acaso, o que é pouco confiável. O novo framework introduz um mecanismo de resgate condicional inteligente. Ele só ativa ajudantes extras — classificadores secundários mais simples — quando detecta esse empate. Se as pontuações forem claras, o sistema mantém sua decisão primária original. Mas, se houver um conflito, ele traz os ajudantes para fornecer uma segunda opinião, pesando a contribuição deles com base no quanto concordam com o sistema primário e no quão precisos eles têm sido no passado. Isso garante que o sistema apenas adicione complexidade quando é absolutamente necessário.

Os pesquisadores testaram essa abordagem em nove conjuntos de dados públicos distintos, que variam desde a identificação de tipos de sementes e animais até o diagnóstico de condições de pele e análise de cédulas de banco. Eles descobriram que o novo método resolveu com sucesso os problemas de desempate que assolavam os sistemas antigos. Em casos onde o sistema primário estava dividido entre duas respostas igualmente prováveis, a estratégia de integração dinâmica condicional foi capaz de usar a evidência extra para escolher a categoria correta significativamente mais vezes do que o acaso ou métodos de ponderação fixa. Por exemplo, em um conjunto de dados envolvendo feijões secos, o novo método identificou corretamente o conflito e utilizou a informação auxiliar para melhorar a precisão final. O estudo também mostrou que, ao tornar os pontos de referência adaptáveis, o sistema tornou-se melhor em lidar com dados que foram corrompidos por ruído, mantendo seu desempenho mesmo quando os dados de entrada eram imperfeitos.

Apesar desses sucessos, os autores são cuidadosos ao não afirmar que seu método é uma solução universal que supera todas as outras técnicas existentes. Em comparações diretas com outros algoritmos de aprendizado de máquina bem conhecidos, o novo framework apresentou um desempenho competitivo, muitas vezes liderando em métricas específicas como precisão e consistência, mas não dominou estatisticamente todos os outros métodos em todos os conjuntos de dados. Os pesquisadores observaram que os benefícios de sua abordagem são mais visíveis quando os dados são complexos ou quando o sistema encontra frequentemente essas situações difíceis de desempate. O custo computacional também é um fator, já que o sistema exige mais poder de processamento para calcular as relações de vizinhança e gerenciar as verificações condicionais. Em última análise, o trabalho demonstra que, ao tornar os pontos de referência flexíveis e ao utilizar recursos extras apenas quando surge um conflito, é possível construir um classificador de múltiplas classes que seja tanto mais adaptável quanto mais confiável em situações de incerteza.

Resumo Técnico: Abordagem de Ensemble Dinâmico para Classificação Multiclasse Baseada em Conjuntos Rugosos de Vizinhança e Decisões de Três Vias Sequenciais (EM-S3WD)

1. Declaração do Problema
Este artigo aborda duas limitações específicas do classificador binário de Decisão de Três Vias Sequencial (S3WD) proposto por Xu et al. [19] ao estendê-lo para tarefas de classificação multiclasse:

Representação de Referência Estática: O modelo original baseia-se em Conjuntos Rugosos Clássicos (CRS) para gerar tuplas de referência. Como o CRS depende de relações de equivalência estritas, essas tuplas de referência tornam-se fixas uma vez que o conjunto de treinamento é definido. Essa rigidez limita a adaptabilidade do classificador a dados de valores contínuos e distribuições de dados variáveis, pois a representação de referência não pode se ajustar com base no desempenho de validação.
Conflitos de Confiança na Extensão Multiclasse: Uma extensão natural de um classificador binário para problemas multiclasse é a estratégia de decomposição "Um-Versus-Todos" (OVA). No entanto, aplicar a OVA a classificadores S3WD frequentemente resulta em "conflitos de confiança", onde múltiplos classificadores binários atribuem o mesmo escore de confiança máximo a uma amostra de teste. Métodos padrão de desempate (por exemplo, seleção aleatória ou ponderação fixa) podem reduzir a estabilidade da decisão ou ignorar evidências específicas da amostra.

2. Metodologia: O Framework EM-S3WD
Os autores propõem o EM-S3WD, um framework de ensemble dinâmico que integra Conjuntos Rugosos de Vizinhança (NRS), decomposição OVA e uma estratégia de integração dinâmica condicional. A metodologia procede em três etapas principais:

Construção de Tupla de Referência Adaptativa Baseada em NRS:
Em vez de usar CRS, o framework emprega Conjuntos Rugosos de Vizinhança (NRS) para construir tuplas de referência. No NRS, as aproximações inferiores dependem de um raio de vizinhança ( $\delta$ ), permitindo que as tuplas de referência se adaptem às estruturas locais de dados em dados de valores contínuos.
- Seleção Guiada por Validação: O raio de vizinhança ( $\delta$ ) e o limiar de similaridade ( $\sigma$ ) não são fixados manualmente. Em vez disso, uma busca em grade (grid search) é realizada em um conjunto de validação para selecionar conjuntamente o par ideal $(\delta^*, \sigma^*)$ que maximiza a acurácia de validação. As tuplas de referência são então geradas com base neste $\delta^*$ ótimo.
Extensão Multiclasse Baseada em OVA:
O framework constrói $m$ classificadores binários S3WD baseados em NRS para um problema de $m$ classes. Cada classificador distingue uma classe de todas as outras.
- Confiança de Valor Finito: A análise teórica (Proposição 2) revela que os escores de confiança gerados por esses classificadores pertencem a um conjunto finito determinado pela contagem de atributos correspondentes e pelo nível de decisão. Essa propriedade estrutural explica por que diferentes classificadores frequentemente produzem escores máximos idênticos, levando a conflitos de confiança.
Integração Dinâmica Condicional para Resolução de Conflitos:
O framework introduz uma estratégia condicional para lidar com conflitos de confiança sem substituir o mecanismo de decisão primário:
- Casos de Não-Conflito: Se os classificadores baseados em OVA produzirem um escore de confiança máximo único, a decisão original é preservada.
- Casos de Conflito: Se duas ou mais classes compartilharem o mesmo escore de confiança máximo, classificadores auxiliares (especificamente SVM e Naive Bayes) são invocados.
- Mecanismo de Ponderação: A decisão final é tomada pela ponderação dinâmica das saídas dos principais classificadores S3WD e dos classificadores auxiliares. Os pesos são determinados por:
  1. A acurácia de validação dos classificadores auxiliares.
  2. A divergência de Kullback–Leibler (KL) entre a saída principal do S3WD e a saída auxiliar nas classes em conflito.
- Isso garante que a evidência auxiliar seja usada apenas quando necessário e ponderada de acordo com sua consistência com o modelo principal e sua própria confiabilidade.

3. Principais Contribuições
O artigo delineia quatro contribções primárias:

Construção de Referência Adaptativa: Desenvolvimento de um mecanismo baseado em NRS onde as tuplas de referência dependem da granularidade da vizinhança. Um procedimento guiado por validação é introduzido para selecionar conjuntamente o raio de vizinhança e o limiar de similaridade, aumentando a adaptabilidade às distribuições de dados.
Análise Estrutural de Conflitos: Análise teórica demonstrando que conflitos de confiança em extensões S3WD baseadas em OVA surgem naturalmente da natureza de valor finito dos escores de confiança (determinados pelas contagens de atributos correspondentes e níveis de decisão).
Integração Dinâmica Condicional: Uma estratégia inovadora que resolve conflitos de confiança ativando classificadores auxiliares apenas para amostras em conflito. A integração pondera dinamicamente essas saídas auxiliares com base na divergência KL e no desempenho de validação, preservando a decisão original do S3WD para amostras de não-conflito.
Avaliação Abrangente: Provas teóricas sobre terminação em passos finitos e preservação de decisão, juntamente com experimentos extensos em nove conjuntos de dados de referência utilizando MATLAB.

4. Resultados Experimentais
Experimentos foram conduzidos em nove conjuntos de dados de referência da UCI (ex: Iris, Seeds, DryBean, PageBlocks) usando MATLAB.

Sensibilidade de Parâmetros: O estudo confirma que tanto o raio de vizinhança ( $\delta$ ) quanto o limiar de similaridade ( $\sigma$ ) são parâmetros altamente sensíveis. Os valores ótimos variam significamente entre os conjuntos de dados, validando a necessidade do processo de seleção guiada por validação.
Resolução de Conflitos: Quando avaliado especificamente em amostras com conflitos de confiança, o EM-S3WD alcançou a maior acurácia média em oito dos nove conjuntos de dados em comparação com o desempate aleatório (SM-S3WD) e a integração de peso fixo (MM-S3WD).
Robustez ao Ruído: A construção de tuplas de referência adaptativas demonstrou melhor robustez contra ruído Gaussiano em vários conjuntos de dados (particularmente Iris, Seeds, Dermatology e Abalone) em comparação com métodos de tuplas de referência fixas.
Desempenho Geral: Em comparações com seis classificadores representativos (incluindo Random Forest, AdaBoost, KNN e 3WD-NRS), o EM-S3WD obteve resultados competitivos. Ele superou todos os concorrentes no conjunto de dados DryBean em todas as métricas e liderou em Acurácia e Kappa em Balance-scale e Abalone.
Significância Estatística: Embora o EM-S3WD tenha mostrado um forte desempenho, os testes de Friedman e Wilcoxon ajustados por Holm indicaram que ele é estatisticamente equivalente aos basais mais fortes, mas não demonstra superioridade estatisticamente significativa sobre cada competidor individual em todos os conjuntos de dados e métricas.

5. Significância e Alegações
O artigo posiciona o EM-S3WD como uma extensão de nível de modelo direcionada ao classificador S3WD binário de Xu et al. Sua principal significância reside em:

Adaptabilidade: Mudança de tuplas de referência baseadas em CRS estáticas para tuplas baseadas em NRS adaptativas que respondem à distribuição de dados via seleção de parâmetros guiada por validação.
Tratamento Explícito de Conflitos: Fornecimento de um mecanismo estruturado e dependente da amostra para resolver conflitos de confiança em cenários S3WD multiclasse, em vez de depender de desempates arbitrários.
Interpretabilidade: Manutenção da interpretabilidade do framework S3WD enquanto o estende para problemas multiclasse.

Os autores alegam modestamente que a contribuição do framework é sua representação de referência adaptativa e seu mecanismo de decisão explícito e consciente de conflitos. Eles reconhecem que, embora o método seja competitivo, ele não supera universalmente todos os classificadores de ensemble ou baseados em conjuntos rugosos em todos os cenários. O custo computacional é apontado como uma limitação devido aos cálculos de vizinhança e buscas de parâmetros, sugerindo trabalhos futuros em mecanismos de busca eficientes e seleção de modelos auxiliares alternativos.

Mais como este