🤖 machine learning

Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning

本文提出了 IFGRVFL-MV 模型，该模型将直觉模糊集、图嵌入和多视图学习集成到随机向量函数链路网络中，以有效地处理不确定性、保留几何结构并利用互补的特征信息，从而在基准数据集上实现比现有模型更优的分类准确度。

原作者： Vrushank Ahire, Yogesh Kumar, M. A. Ganaie

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Vrushank Ahire, Yogesh Kumar, M. A. Ganaie

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：构建一个更聪明的“猜谜机器”

想象一下，你正在试图教一台电脑将一堆乱七八糟的邮件分类到“保留”和“丢弃”两个箱子中。这是一个分类问题。长期以来，计算机一直使用一种叫做 RVFL（随机向量函数链路）的工具来完成这项工作。

把 RVFL 想象成一个非常快速、高效的邮件分拣员。与其他需要通过不断的试错来缓慢学习（就像一个苦读多年的学生）的分类器不同，RVفL 有一个“领先优势”。它会随机为内部齿轮分配规则，然后直接计算出最终答案。它很快，通常也表现不错，但它有两个主要的弱点：

会被“坏数据”搞糊涂： 如果一件邮件被撕破了、弄脏了，或者看起来既像“保留”又像“丢弃”，分拣员就会陷入困境。
它忽略了数据的“形状”： 它把每一件邮件都视为孤立的个体，而没有意识到看起来相似的信件通常属于同一个箱子。
它只看一个角度： 它试图仅根据对邮件的一个描述（例如颜色）来进行分类，而忽略了其他有用的细节（例如纹理或重量）。

本文的作者 Vrushank Ahire、Yogesh Kumar 和 M.A. Ganaie 构建了一个升级版的分类器，叫做 IFGRVFL-MV。他们结合了三种强大的工具来修复旧版分类器的缺陷。

三大升级（“秘密武器”）

1. “模糊法官”（直觉模糊集）

问题： 有时，一件邮件由于损坏严重或过于奇特，导致分拣员无法确定它属于“保留”堆还是“丢弃”堆。这是一个灰色地带。
解决方案： 作者添加了一位模糊法官。这位法官不再强求一个硬性的“是”或“否”，而是给出一个分数，表示“我认为它属于这里的程度是多少？”以及“我认为它不属于这里的程度是多少？”

类比： 想象一个夜店的保安。普通的保安会说：“你可以进来”或“你不能进来”。而模糊法官会说：“你看上去有 80% 像 VIP，但有 20% 像个麻烦制造者。”如果这个人明显是个麻烦制造者（离群值或噪声），法官会给出一个低分，告诉分拣员忽略他们或谨慎对待他们。这使得系统对杂乱、多噪的数据具有鲁棒性（稳健性）。

2. “地图绘制者”（图嵌入）

问题： 旧的分拣员是一个一个查看物品的。它没有意识到如果物品 A 看起来像物品 B，且物品 B 看起来像物品 C，那么 A 和 C 很可能属于同一个箱子。
解决方案： 作者添加了一个地图绘制者。这个工具在相似的数据点之间绘制隐形的线条，从而创建一个网络或地图。

类比： 想象一个你并不认识任何人的派对。普通的分拣员会问：“你是谁？”并据此做决定。而地图绘制者会观察整个房间并看到：“哦，所有穿红衣服的人都站成了一个圈。”它保留了人群的几何形状。即使红圈中的某个人戴着一顶蓝帽子（噪声），地图也知道他们仍然是红圈群体的一部分。这有助于模型更好地泛化到新数据。

3. “专家团队”（多视图学习）

问题： 旧的分拣员只从一个角度看邮件（例如，仅仅看颜色）。但如果颜色具有误导性怎么办？
解决方案： 作者创建了一个专家团队。他们让分拣器同时观察数据的两个不同“视图”。

类比： 想象你正在识别一种水果。
- 视图 1（专家 A）： 观察水果的颜色（是红色的吗？）。
- 视图 2（专家 B）： 观察水果的纹理（是光滑的吗？）。
- 团队： 模型不再只询问一位专家，而是同时询问两位。如果专家 A 说“苹果”（因为它是红色的），而专家 B 也说“苹果”（因为它很光滑），那么模型会非常有信心。如果他们意见不一，模型会利用数学方法找到最佳折中方案。这使得模型能够利用互补信息做出更明智的决策。

他们是如何将这一切整合在一起的

新的模型 IFGRVFL-MV 就像是一个超级邮件分拣团队：

它从两个不同的角度观察邮件（多视图）。
它绘制了一张地图，以观察邮件项目之间的相互关系（图嵌入）。
它使用一位模糊法官来决定对每件邮件的信任程度，从而忽略那些过于奇怪或损坏的邮件（直觉模糊逻辑）。

结果：奏效了吗？

作者使用标准数据集（如 UCI 和 KEEL 仓库，这些可以看作是公开的问题图书馆）对新模型进行了测试，并将其与旧模型进行了对比。

得分： 新模型实现了 81.06% 的平均准确率，击败了排名第二的模型（79.50%）以及基础模型（大约在 70-72% 左右）。
证明： 他们不仅仅是说“它看起来更好”。他们运行了严格的统计检验（如 Friedman 和 Wilcoxon 检验）。这些检验就像是检查计分卡的裁判，以确保胜利并非仅仅靠运气。结果表明，新模型在统计学上显著优于其他模型。

总结

简单来说，作者将一个快速但略显笨拙的分拣机，赋予了它：

更好的眼睛来观察模式（图嵌入）。
第二种意见来检查其工作（多视图学习）。
更聪明的头脑来处理混乱和错误（直觉模糊逻辑）。

结果是，这台机器在处理数据时更加准确，尤其是在数据杂乱、多噪或复杂的情况下。论文得出结论，这种方法为处理机器学习中的不确定性迈出了极具前景的一步。

技术摘要：直觉模糊图嵌入随机向量函数链路多视图学习 (IFGRVFL-MV)

问题陈述
随机向量函数链路 (RVFL) 网络因其快速的训练速度和通用近似能力而受到认可，这种能力是通过随机初始化隐藏层权重并解析求解输出权重来实现的。然而，标准的 RVFL 模型面临特定的局限性：它们通常难以保留数据内的内在几何关系，对噪声或不确定性数据集较为敏感，并且无法有效地利用来自多个特征视图（多视图学习）的互补信息。虽然现有的变体已经分别解决了这些问题——例如用于处理不确定性的直觉模糊 RVFL (IFRVFL)、用于处理几何结构的图嵌入 RVFL (GE-RVFL) 以及用于特征集成的多视图 RVFL (MvRVFL) ——但目前还没有一个统一的框架能同时结合这三者来处理不确定性、保留拓扑结构并利用多视图数据。

方法论
提出的 IFGRVFL-MV 模型将直觉模糊集 (IFS)、图嵌入 (GE) 和多视图学习 (MVL) 集成到一个统一的 RVFL 框架中。该方法论流程如下：

直觉模糊加权： 模型为每个视图中的数据点分配直觉模糊隶属度 ( $f$ ) 和非隶属度 ( $f^*$ ) 值。
- 隶属度值由样本与其类别中心相对于类别半径的距离决定。
- 非隶属度值由在邻近阈值范围内的异质邻居（具有不同类别标签的样本）的比例导出。
- 基于这些值计算得分函数 ( $s_i$ )，以量化每个样本的可靠性，从而在训练过程中有效地降低离群点和噪声数据的权重。
图嵌入 (GE)： 为了保留数据的拓扑结构，模型在每个视图的拼接特征矩阵上构建内在图和惩罚图。该框架确保相似标签的样本保持接近（内在图），同时将不同标签的样本推开（惩罚图），从而增强泛化能力。
多视图学习 (MVL)： 模型处理数据的两个不同视图（视图-P 和视图-Q）。它采用早期融合策略，其优化目标共同最小化两个视图的误差，同时强制执行它们之间的一致性。
优化公式： 核心模型是一个正则化优化问题，旨在最小化平方误差、输出权重范数和图嵌入惩罚项的加权和。
- 每个视图的误差项由直觉模糊得分矩阵的平方根 ( $S_1^{1/2}$ 和 $S_2^{1/2}$ ) 进行加权，从而减少不确定样本的影响。
- 跨视图一致性项 ( $\rho \xi_1^T S_1^{1/2} S_2^{1/2} \xi_2$ ) 对齐了两个视图的预测。
- 通过求解包含拉格朗日乘子的线性方程组来获得解析解，从而得到输出权重 ( $\beta_1, \beta_2$ ) 的闭式解。

主要贡献
本文概述了四个主要贡献：

将 IFS 集成到 RVFL 中： 将直觉模糊集引入 RVFL 框架，以处理数据的不确定性和不精确性。隶属度和非隶属度值是基于样本与类别中心的距离以及邻居异质性进行分配的。
图嵌入增强： 通过引入 GE 框架来捕捉数据的几何关系。通过在特征矩阵上定义内在图和惩罚图，模型保留了拓扑结构以提高泛化能力。
多视图学习利用： 应用 MVL 来结合多个特征视图的信息，从而允许模型捕捉在单一视图中无法体现的复杂模式。
实证验证： 在来自 UCI 和 KEEL 仓库的基准数据集上进行了广泛的实验，并通过统计分析（Friedman、Wilcoxon 和 win-tie-loss 测试）验证了模型的优越性。

结果
IFGRVFL-MV 模型在八个基准数据集（如 pittsburgh-bridges, breast-cancer, mammographic, Pima）上进行了评估。

性能： 提出的模型实现了 81.06% 的最高平均分类准确率，优于基准模型，包括 RVFL1 (71.99%)、RVFL2 (70.38%)、GE-IFWRVFL (76.00%) 和 GRVFL-MV (79.50%)。
统计显著性：
- Friedman 测试 得出的统计量为 23.714，p 值为 0.00009，拒绝了原假设，并证实了模型之间存在显著的性能差异。提出的模型获得了最佳平均秩次 (1.19)。
- Nemenyi 事后检验 识别出提出的模型与其他模型之间的显著差距，特别是相对于 GRVFL-MV。
- Wilcoxon 符号秩检验 证实 IFGRVFL-MV 显著优于 RVFL1、RVFL2 和 GE-IFWRVFL (p 值 < 0.05)。
- Win-Tie-Loss 分析： 在各个数据集上，IFGRVFL-MV 相较于基准模型获得了 5 到 7 次胜场，展示了持续的优越性。

意义与主张
本文声称 IFGRVFL-MV 代表了不确定性和多视图学习环境领域的一次有前景的进展。通过将直觉模糊理论、图嵌入和多视图学习无缝结合，该模型解决了现有技术孤立处理这些问题的局限性。作者断言，该模型能有效处理噪声数据集，并利用互补的特征信息来实现卓越的分类准确率。这项工作为基于 RVFL 的模型在不确定环境下的表现树立了新的基准，尽管作者指出，未来的工作将侧重于优化计算效率并探索其在更大规模真实数据集上的可扩展性。