不完全信息挖掘中的若干问题研究

不完全信息主要指信息中含有缺失值，或者信息量不足，它们广泛出现在实际应用中。这种信息中可能含有十分重要的已知值，应该充分利用它们。这好象一辆小车，不能因为有一个部件坏了就扔掉，修复该部件后还可以使用。但是，现有的模式发现算法是针对完全信息设计的，不能用于不完全信息发现。因此，不完全信息挖掘具有重要的理论与应用价值。本项目以含有缺失值，或者信息量不足的数据为研究对象，建立有效的缺失值填充、部分填充的新理论和新算法，尽可能提供更多的可用信息；对于信息量不足，研究基于差异的认知理论和关键技术，使之与相似性认知技术一起形成一个完整的认知体系，建立不完全信息环境下结构性差异的可信区间估计和模式的可转移学习理论和技术。可用于解决我国的医药、市场、金融、网络安全等方面的不完全数据处理的一些需求，例如，新产品评估、入侵检测、欺诈识别等。

通过四年的攻关研究，提出异质代价敏感分类子和参数k的计算等不完全信息处理模型，完成了研究计划任务，达到了预期目标。主要成果包括发表论文44篇、培养硕士毕业生12人、年轻骨干教师4人，获得广西自然科学基金创新研究团队项目1项、广西八桂学者岗位2个、广西多源信息挖掘与安全重点实验室、和广西协同创新研究中心1个。发表的论文被SCI检索的19篇、EI检索12篇，其中包括IEEE Transactions （IEEE会报）和Pattern Recognition权威（CCF-A或者CCF-B类）杂志论文12篇。