在线流计算背景下的三支决策迁移学习

In the era of big data, online stream computing is an increasingly important computing paradigm. It is a typical transfer learning issue since the computation is performed with limited memory space but real-time mining expectations. As an important theory for uncertain problem solving, it is rather imperative to exploit the applicability of three-way decisions on online stream computing. Regarding granular computing as principle, this project intends to systematically and comprehensively investigate the online transfer stream computing methods from the perspective of three-way decisions with probabilistic rough set and decision-theoretic rough set. The main contents are as follows: 1) on uncertain measures for transfer learning three-way decisions , the focus is to quantitatively measure the interactions among key elements of probabilistic rough sets during the process of online variation; 2) on knowledge reasoning for transferable three-way decisions, the core is to study the dynamic reasoning of key elements on decision-theoretic rough set, including reasoning of attribute reduction, threshold optimization and cost during the procedure of transfer learning; 3) on fast decision of transferable three-way decisions, the concentration is to enable the transferability for fast classfication algorithms of supervised learning, and extend to the weakly supervised learning scenarioes. The project can not only perfect the three-way decisions theory but also provide a novel computational solution for online decision of complicated big data.

在线流计算是大数据时代日趋重要的一种新型计算形式，其在有限的内存空间内进行实时数据挖掘是具有典型不确定性特征的迁移学习问题。三支决策作为粒计算中的一种著名不确定性知识求解方法，如何将其拓展到在线流计算应用领域，是一项紧迫议题。本项目以粒计算为指导，以概率粗糙集、决策粗糙集为主要研究模型，系统地研究在线流计算模式的三支决策迁移学习方法。主要研究内容包括：1)三支决策迁移学习中的不确定性度量，主要研究三支决策关键要素在流式动态变化过程中的度量及相互作用；2)三支决策迁移学习中的知识推理，主要研究三支决策关键要素的动态推理，如属性约简的推理、阈值的优化推理及动态代价迁移的推理；3)三支决策迁移学习中的快速决策理论，主要研究监督学习下三支决策迁移学习快速分类算法，并推广到弱监督学习场景。本项目既能够丰富三支决策理论、拓宽三支决策应用领域、又能为大数据的不确定性问题在线决策提供新型计算工具。

不确定性问题是智能信息处理中的研究热点之一，三支决策理论是当前计算智能研究中模 拟人类思维和解决复杂问题的新方法。在线流计算是大数据时代日趋重要的一种新型计算形式，其在有限的内存空间内进行实时数据挖掘是具有典型不确定性特征的迁移学习问题。三支决策作为粒计算中的一种著名不确定性知识求解方法，如何将其拓展到在线流计算应用领域，是一项具有挑战性的议题。本项目以粒计算为指导，以概率粗糙集、决策粗糙集为主要研究模型，系统地进行了在线流计算模式的三支决策迁移学习方法研究。主要研究内容和成果包括：1）三支决策迁移学习中的不确定性度量，主要研究了三支决策关键要素在流式动态变化过程中的度量及相互作用；2）三支决策迁移学习中的知识推理，主要研究了三支决策关键要素的动态推理，如属性约简的推理、阈值的优化推理及动态代价迁移的推理；3)三支决策迁移学习中的快速决策理论，主要研究了监督学习下三支决策迁移学习快速分类算法，并推广到无监督弱监督学习场景。本项目的研究成果即丰富了三支决策理论、拓宽三支决策应用领域将对不确定性本质的认识具有重要的理论意义、又能为大数据的不确定性问题在线决策提供新型计算工具，对解决复杂问题和开发智能系统具有广阔的应用价值。