🤖 machine learning

Triangular Fuzzy Rescaling Distance

本文提出了三角模糊重缩放距离（ $d_{TR}$ ），这是一种将线性重缩放直接集成到距离计算中的新颖度量，旨在实现异质决策语境下三角模糊数的尺度不变性比较，同时在形式上满足所有度量性质。

原作者： Eddy Soria, Aida Valls, Ana Beatriz Hernández-Lara

发布于 2026-08-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Eddy Soria, Aida Valls, Ana Beatriz Hernández-Lara

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

在混乱的现实世界中，数据很少是完美的。测量结果带有误差范围，专家意见的置信度各异，且信息往往是不完整的。为了理解这种不确定性，科学家和决策者经常转向一种被称为“三角形模糊数”的数学工具。这种方法并非将数值固定在数轴上的某个单一、僵化的点上，而是将一个数值表示为一个小的三角形形状，捕捉从最可能的结果到最远端合理范围内的各种可能性。这种方法对于模拟从未来的市场趋势到环境监测等一切无法实现精确性的领域都具有极高的价值。然而，当研究人员试图将这些模糊形状相互比较时，尤其是在数据来自具有不同单位的不同来源时，一个显著的问题出现了。将摄氏度的温度测量值与美元的收入测量值进行比较，就像是在尝试把苹果和橘子相加；不同的尺度和起点会扭曲比较过程，往往导致关于哪个选项真正更好或更接近目标的结论具有误导性。

为了解决这一持续存在的障碍，研究人员埃迪·索里亚（Eddy Soria）、艾达·瓦尔斯（Aida Valls）和安娜·贝阿特丽斯·埃尔南德斯（Ana Beatriz Hernández）开发了一种衡量这些模糊形状之间距离的新方法。他们将其称为“三角形模糊重缩放距离”（Triangular Fuzzy Rescaling Distance）。他们工作的核心创新在于，他们并没有将比较视为一个先清洗数据再进行测量的两步过程。相反，他们将数据的清洗过程直接内置到了测量本身之中。在计算距离的过程中，该方法会自动将数值调整到一个共同的、中性的尺度，确保某一类别中的大数值不会不公平地主导另一类别的较小数值。这使得在无需单独且易出错的预处理步骤的情况下，能够对复杂的混合数据集进行公平的比较。

研究人员证明了这种新方法在数学上是严谨的，满足了可靠距离度量所需的所有严格规则。它的表现是可预测的：距离永远不会是负数，只有当被比较的两个事物完全相同时距离才为零，并且它遵循逻辑规则，即从点 A 到点 C 的路径不能比经过点 B 的路径更短。至关重要的是，该方法不受尺度或起始点人为选择的影响。无论数据是以千还是以百万为单位进行测量，或者尺度是从零还是从一百开始，所得出的距离保持不变。该方法还保证最终结果始终落在特定的、可理解的范围内，从而使解释两组信息之间的差异程度变得容易。

为了展示这种方法的威力，团队将其应用于一个涉及五个不同城市可持续发展表现的假设场景。他们根据五个不同的指标对每个城市进行了评估，例如二氧化碳排放量、绿地覆盖率和公共交通使用率。这些指标具有截然不同的单位和范围，从百分比到每年吨数不等。通过使用这种新的距离度量方法，研究人员可以计算每个城市距离理想、完美的可持续状态有多远。结果表明，该方法可以无缝处理这些多样化的数据，并产生清晰的城市排名。研究还显示，最终的排名可能会根据对最大差异给予的权重大小而发生变化，这为决策者提供了一种方式，不仅可以观察平均表现，还可以识别特定领域的关键弱点。

这项工作为任何试图利用不确定或混合数据进行决策的人提供了一个强大的工具。通过将数据的归一化直接集成到距离计算中，三角形模糊重缩放距离消除了由不同单位和尺度引入的偏差。它允许构建能够准确反映复杂现实（如生活质量或经济健康状况）的综合指标，而不会扭曲整体图景。虽然目前的方法是专门为三角形模糊数设计的，但其成功为处理从机器学习到政策制定等领域的模糊信息提供了一条充满前景的路径，为观察“我们现状”与“我们目标”之间的距离提供了更清晰的视角。

技术摘要：三角模糊重缩放距离

问题陈述
复杂系统的决策过程通常依赖于不精确或不确定的信息，这些信息常使用三角模糊数（TFNs）进行建模。应用模糊方法的一个关键挑战在于量化 TFNs 之间的距离，特别是在处理具有不同尺度、单位或范围的异构属性时。传统的距离度量通常假设统一的尺度，因此需要预先进行归一化阶段。这种分离可能会引入偏差或失真，尤其是在合成指标构建或多准则决策辅助等数据异构性固有的背景下。

方法论
本文提出了三角模糊重缩放距离（ $d_{TR}$ ），这是一种旨在比较 $n$ 元 TFN 组成的创新度量指标。与在计算距离之前先对数据进行归一化的常规方法不同， $d_{TR}$ 通过将**线性重缩放（LRE）**直接集成到距离公式中来实现独特的功能。

该度量定义于两个 $n$ 元 TFN 序列 $\tilde{f}$ 和 $\tilde{f}^*$ 之间，其中每个分量 $\tilde{f}_i = (f_i^{(1)}, f_i^{(2)}, f_i^{(3)})$ 都位于特定的区间 $[a_i, b_i]$ 内。距离计算如下：

$d_{TR}(\tilde{f}, \tilde{f}^*) = \frac{M}{4} \left( \sum_{i=1}^{n} \omega_i \left( \frac{|f_i^{*(1)} - f_i^{(1)}| + 2|f_i^{*(2)} - f_i^{(2)}| + |f_i^{*(3)} - f_i^{(3)}|}{b_i - a_i} \right)^\lambda \right)^{1/\lambda}$

其中：

$\omega_i$ 是权重向量（ $\sum \omega_i = 1$ ）。
$\lambda \geq 1$ 是控制对巨大差异敏感度的参数。
$M > 0$ 是定义上界的缩放参数。
分母中的项 $(b_i - a_i)$ 执行线性重缩放，有效地将 TFN 组件之间的差异相对于其特定的定义域范围进行归一化。

主要贡献与理论特性
作者正式证明了 $d_{TR}$ 满足度量空间的公理，并具有以下几个显著特性：

度量性质： 本文证明了 $d_{TR}$ 满足非负性、识别性、对称性和三角不等式（通过 Minkowski 不等式证明）。
有界性： 只要输入值落在其定义的区间内，距离被严格限制在 $[0, M]$ 区间内。
尺度不变性： 如果 TFNs 及其定义的区间同时按正比例缩放，该度量保持不变。
原点不变性： 如果 TFNs 及其区间同时进行常数平移，距离不受影响。
内在归一化： 该度量通过 LRE 机制内在性地对特征值进行归一化，消除了对单独预处理步骤的需求。

结果与应用
论文通过两个主要演示验证了 $d_{TR}$ ：

数值示例： 通过一个 $n=2$ 的计算展示了公式的逐步应用，演示了如何从不同区间的原始 TFN 数据中导出距离。
案例研究（可持续性评估）： 该度量被应用于评估五个假设城市相对于理想可持续性剖面的表现，涉及五个具有截然不同单位和范围的指标（例如：二氧化碳排放量、绿地面积、收入不平等程度）。
- 结果显示， $d_{TR}$ 生成的值处于 $[0, 100]$ 范围内（取 $M=100$ ），允许将其直接解释为相对于理想值的百分比偏差。
- 研究强调了参数 $\lambda$ 的作用。较低的 $\lambda$ 值（如 $\lambda=1, 2$ ）提供偏差的平衡聚合，而较高的 $\lambda$ 值（如 $\lambda=500$ ）则增加了对最大单一差异的敏感度。这使得决策者即使在其他指标表现强劲的情况下，也能检测出关键弱点。
- 城市的排名会根据 $\lambda$ 的变化而改变，说明了该度量在优先考虑不同类型决策策略（平衡型 vs. 最差情况关注型）方面的灵活性。

意义与主张
本文声称 $d_{TR}$ 为处理异构模糊数据提供了一个稳健的解决方案，无需外部归一化。其主要意义在于能够：

减轻由不同尺度和单位引起的偏差。
作为构建合成指标（如可持续性指数、生活质量衡量标准）的聚合机制。
适用于基于距离的学习算法和多准则决策辅助方法（如 TOPSIS）。
保持线性 $O(n)$ 的计算复杂度。

作者承认了局限性，指出目前的公式是针对 TFN 特有的，可能无法直接应用于其他模糊表示（如梯形或高斯模糊数）。他们建议未来的工作应侧重于在多样化的现实场景中进行实证验证、与现有度量进行性能对比，以及向其他模糊数类型的扩展。

类似论文