🔢 数学

Density and Graded Balance in q-Rung Orthopair Fuzzy Graphs, with an Application to Medical Examination

本文通过建立新的理论界限和简化定理，引入用于高效计算的分级 *-平衡指数，并在医学检查应用中展示其优于现有度量指标的卓越判别能力，从而将 *-密度概念扩展至 q-阶梯正交对模糊图。

原作者： Brikena Vrioni

发布于 2026-10-16

📖 1 分钟阅读🧠 深度阅读

原作者： Brikena Vrioni

原始论文采用 CC BY 4.0 许可（https://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

在医疗诊断那混乱的现实中，信息很少是黑白分明的。患者的症状并非仅仅存在或不存在，而是存在于不确定性的阴影之中，例如发烧可能是“很可能”，而咳嗽可能只是“有可能”，其他可能性则依然模糊不清。几十年来，数学家们一直试图构建能够处理这种模糊性的工具，创建出允许程度真理而非简单的“是”或“否”回答的系统。这些被称为模糊集的系统，已经进化到可以处理更复杂的怀疑层级，例如医生在症状重叠或矛盾时所感受到的犹豫。这些工具的最新一代——称为 q-rung 正交对模糊集（q-rung orthopair fuzzy sets）——提供了一种灵活的方式来权衡这些相互冲突的证据，从而比之前的模型允许更广泛的不确定性范围。然而，挑战在于如何将这些不确定的症状视为一个相互连接的网络，而不仅仅是一份孤立事实的清单，并确定它们之间的连接是否符合逻辑。

研究员 Brikena Vrioni 开发了一种衡量这些模糊网络“紧密度”或密度的新方法，并将其应用于按病情严重程度对患者进行排序的具体问题。其核心思想是将患者的症状不视为静态列表，而是视为一个图（graph），其中症状是点，而它们之间的关系是线。在健康的人身上，这些连接可能是微弱或分散的；但在病人身上，某些症状可能会聚集在一起，形成紧密的集群，构成指向特定疾病的密集证据网。Vriani 的工作引入了一种计算这些网络密度程度的方法，为每位患者创建一个“签名”，以捕捉其症状的结构。这个签名作为一个新型的诊断工具，它观察的是数据的形状，而非仅仅是单个数字。

研究揭示了许多用于比较患者特征的现有工具中的一个重大缺陷。大多数现有方法通过逐一查看每个症状，计算患者状态与标准“健康”状态之间的差异，然后将这些差异相加来进行工作。Vrioni 证明了这种方法存在盲点：如果你取一个患者的症状并交换其中两个具有相同数值的症状，传统工具无法分辨其中的区别。它们会看到相同的总“患病”量并返回相同的结果，尽管底层的疾病模式已经发生了变化。例如，如果一名患者有高烧和头痛，而另一名患者有高烧和胸痛，如果第二种情况中发烧和头痛的数值被互换，旧的工具会将它们视为完全相同。这是一个问题，因为发烧与头痛的关系可能暗示一种疾病，而发烧与胸痛的关系则可能暗示完全不同的疾病。

为了解决这个问题，Vrioni 构建了一个新系统，根据一组参考患者中症状的共现情况为每位患者建立一个图。该系统不再仅仅是累加差异，而是测量症状之间连接的密度。如果患者的症状形成了一个紧密、互联的集群，系统就会将其登记为一个特定的结构模式。在针对涉及五名患者和六种症状的真实医疗数据进行测试时，新方法成功区分了那些旧方法无法区分的特征谱。在一次具体的测试中，两名患者拥有相同的症状数值但排列方式不同；传统工具给出了完全相同的评分，而新的基于密度的方法正确地识别出它们具有不同的结构模式。

研究还引入了一种衡量这些模糊图中“平衡性”的方法。在平衡图中，连接分布均匀；而在不平衡图中，少数区域会比其他区域过度密集。研究证明，对于某些类型的图，这种平衡是可以精确计算的；而对于其他类型的图，则可以进行高精度的估算。这个平衡得分充当了一个标记，指示患者的症状模式是连贯的，还是包含了一个特定的、集中的严重指标集群。当应用于包含五名患者的数据集时，该方法识别出其中一名患者最为危重，这一结论得到了新结构分析和传统逐点比较法的共同支持。然而，研究也指出，该方法在数据具有棘手性或歧义时最为有用；当数据已经非常清晰时，新方法与旧方法的结果一致，这表明它并不会破坏既有的结果，而是在最需要的时候增加了一层洞察力。

这项工作并不声称要取代医生或提供神奇的疗法。它是一种旨在帮助决策系统更好地处理不确定性的数学改进。作者明确指出，该方法是一个辅助工具，而非独立的诊断引擎，且从测试数据中得出的临床解释属于假设而非证实的医学事实。研究还强调，该方法依赖于一个患者参考组来定义症状之间的连接，这意味着结果取决于该组的质量和组成。尽管存在这些局限性，论文仍提供了一个具体的改进：一种观察患者病情形状的方法，而之前的工具忽略了这一点。通过超越简单的加法并观察数据的结构，这种新方法确保了即使是具有相同症状但模式不同的两名患者也会被识别为不同的个体，这种区分在复杂的医疗场景中可能至关重要。

技术摘要：q-阶梯正交对模糊图中的密度与等级平衡

问题陈述
本文针对模糊图论与不确定性决策领域的两个不同文献空白进行了研究。首先，虽然图密度概念已被扩展到模糊、直觉主义和 Pythagorean 设置中，但 $\ast$ -密度（由 Al-Hawary 和 Almomani 为模糊图引入）的概念尚未被提升至 q-阶梯正交对 (q-ROF) 图。现有的模糊平衡定义往往依赖于在完全图中趋于极值的归一化密度，这使得它们在区分结构特性方面缺乏信息量。其次，关于用于多准则决策 (MCDM) 的 q-ROF 距离度量的文献过度依赖于对各元素偏差的对称聚合。本文识别了这种架构中的一个“盲点”：对称度量无法区分那些仅仅在不同元素间置换相同数值（例如，交换症状严重程度）的剖面（profiles），从而导致不同的临床剖面获得相同的距离得分，产生退化结果。

方法论
作者开发了一个将图论密度与决策度量相结合的 q-ROF 图结构框架。

分解与 $\ast$ -密度剖面：
本文建立了一个分解引理，证明任何 q-ROF 图 $G$ 都会诱导出两个底层的 Rosenfeld 模糊图：一个基于隶属函数 ( $\mu$ )，另一个基于补非隶属函数 ( $\eta = 1 - \nu$ )。这允许定义一个 $\ast$ -密度剖面 $D^*(G) = (D^*_\mu(G), D^*_\eta(G))$ ，其中每个坐标分别是相应底层模糊图的标准 $\ast$ -密度。
理论界限与约简：
作者证明了 $\ast$ -密度相对于底层清晰图最大度 ( $\Delta$ ) 的一个紧确上界，纠正了此前模糊文献中将该界限表述为与图规模无关的常数 (2) 的错误。
一个核心的约简定理表明，对于具有常数顶点函数的强 q-ROF 图，当且仅当其底层的清晰图在经典意义上是平衡的时，该图是 $\ast$ -平衡的。这一结论将四个独立的类别定理（针对完全图、圈图、Petersen 图和完全二部图）统一到了一个论证中。
等级平衡指数：
为了超越二元性的平衡属性，本文定义了一个等级平衡指数 $\beta(G) \in [0, 1]$ 。该指数源自归一化密度特征的对数度量。当且仅当图是 $\ast$ -平衡时， $\beta(G) = 1$ 。对于“约简”（强、常数）情况，该指数可通过最大流算法在多项式时间内计算得出，而在一般情况下则通过贪婪启发式算法计算。
用于医学诊断的图诱导：
为了将这些概念应用于医学检查，作者提出了一种在症状集上诱导 q-ROF 图的方法。不同于假设完全图的构建方式，该方法从参考族（例如，疾病-症状知识库或患者队列）中推导边的存在性及其权重。协同特征系数决定哪些症状被连接，而阈值 $\tau$ 则使图稀疏化，以确保平衡指数携带有效信息。
判别定理：
本文证明，任何对称聚合各元素偏差（包括 Minkowski、Hausdorff 和对数族）的 q-ROF 距离度量，都无法区分彼此为排列组合的剖面。所提出的密度特征被证明可以解决这种退化问题。

关键结果与应用
该方法通过两个基准测试进行了验证：

患者严重程度排序 (第 9.2 节)： 利用来自先前急诊医学评估研究的数据，作者根据相对于理想健康剖面的情况对五名患者的严重程度进行了排序。结构项（密度特征）独立地识别出了最危重的患者 ( $p4$ )，与逐点距离项相匹配。至关重要的是，当通过交换症状值（咳嗽和胸痛）构造一对对抗性剖面时，所有 2 种标准逐点距离度量均返回了相同的得分（平局），而所提出的密度特征则基于潜在的症状共现结构正确地将其区分开来。
疾病分类 (第 9.3 节)： 应用于将患者分类为疾病（疟疾、伤寒等）的经典基准，综合指数（点对点距离与结构距离的加权和）在 $\lambda \geq 0.25$ 时与先前文献的共识达到了 100% 的一致性。结构项本身不足以进行分类，但起到了补充判别器的作用。

意义与主张
本文声称在三个特定领域具有重要意义：

理论修正与统一： 它纠正了模糊图中 $\ast$ -密度的上界，并提供了一个单一的约简定理，涵盖了以往多个特定类别的平衡模糊图结果。
等级平衡： 它将图平衡的二元概念转化为一种可计算的等级指数，反映了剖面在症状网络上分布的“均匀性”。
解决退化问题： 其主要实质性主张是负向的但在实践中至关重要：对称的逐点距离度量本质上对元素间的数值排列具有盲目性。本文证明了由同一数据衍生的密度特征能够修复这种失效模式，且不会牺牲在分离数据上的稳定性。

局限性
作者明确指出了以下局限性：

平衡指数 $\beta$ 的精确计算仅在约简情况下是多项式时间的；否则，它依赖于枚举或启发式算法。
该特征并非完全不变元（非同构图可能共享相同的特征）。
用于图稀疏化的阈值 $\tau$ 目前设定为协同特征系数的平均值；虽然这在逻辑上是合理的，但尚未证明其是最优的。
平衡指数的临床解释仍是一个假设，尚未在临床试验中得到验证。
结构项并不作为独立的分类器运行；它是设计为一种补充判别器。

总之，本文为现有的 q-ROF 决策框架提供了一种结构性增强，提供了一种检测数据剖面中传统距离度量无法捕捉到的结构异常的机制，同时严谨地定义了 q-阶梯正交对设置下的平衡数学属性。

技术摘要：q-阶梯正交对模糊图中的密度与等级平衡

类似论文