第15卷第6期 智能系统学报 Vol.15 No.6 2020年11月 CAAI Transactions on Intelligent Systems Nov.2020 D0L:10.11992tis.202001017 弱标记不完备决策系统的增量式属性约简算法 程龙2，钱文彬2，王映龙，胡剑锋3 (1.江西农业大学计算机与信息工程学院，江西南昌330045：2.江西农业大学软件学院，江西南昌330045,3.江 西科技学院信息技术研究所，江西南昌330098) 摘要：在许多现实应用领域中，由于数据标注代价昂贵，且数据往往呈现动态变化，因此存在大量弱标记的不 完备数据。针对上述复杂应用场景，本文以粒计算理论为基础，从区分性视角给出不完备数据的区分对概念， 同时给出属性相对重要度的度量方法，并设计面向弱标记不完备决策系统的属性约简算法。该算法能在迭代 过程中不断缩减搜索空间.提高属性约简效率：并根据实例的动态变化情况，分析属性约简的动态更新机制： 在此基础上，设计了半监督条件下的增量式属性约简算法。最后，通过实验验证了算法的可行性和有效性。 关键词：属性约简；粗糙集；区分对；混合数据：增量学习；半监督学习；相对重要度：动态数据 中图分类号：TP391 文献标志码：A文章编号：1673-4785(2020)06-1079-12 中文引用格式：程龙，钱文彬，王映龙，等.弱标记不完备决策系统的增量式属性约简算法.智能系统学报，2020,15(6)： 1079-1090. 英文引用格式：CHENG Long,QIAN Wenbin,.WANG Yinglong,ctal.An incremental attribute reduction algorithm for incom- plete decision system with weak labeling[J].CAAI transactions on intelligent systems,2020,15(6):1079-1090. An incremental attribute reduction algorithm for incomplete decision system with weak labeling CHENG Long2,QIAN Wenbin2,WANG Yinglong',HU Jianfeng' (1.School of Computer and Information Engineering,Jiangxi Agricultural University,Nanchang 330045,China;2.School of Soft- ware,Jiangxi Agricultural University,Nanchang 330045,China;3.Institute of Information Technology,Jiangxi University of Tech- nology,Nanchang 330098,China) Abstract:Due to the high cost of data annotation and dynamic change of data,many practical applications have a lot of incomplete data with weak labeling.In view of the above complex scenarios,based on the theory of granular computing, the concept of discernibility pairs of incomplete data is proposed and provides a measurement method for the relative importance of attributes.The attribute reduction algorithm is designed for an incomplete decision system with weak la- beling,which can reduce the search space and improve the efficiency of attribute reduction.Besides,the dynamic updat- ing mechanism of attribute reduction is analyzed based on the dynamic change of instances.In this study,an increment- al attribute reduction algorithm is designed under a semi-supervised scene,and the experimental results show the feasib- ility and effectiveness of the proposed algorithm. Keywords:attribute reduction;rough set;discernibility pair;mixed data;incremental learning:semi-supervised learn- ing:relative importance;dynamic data 粗糙集理论是一种有效的数据分析方法， 主要用于处理不确定、不一致和模糊的数据， 收稿日期：2020-01-09. 基金项目：国家自然科学基金项目(61966016)：江西省自然科 已被广泛地应用于知识发现、数据挖掘和机器学 学基金项日(20192BAB207018):江西省教育厅科学 习等领域。属性约简是粗糙集理论的重要研究内 技术研究项目(G切180200). 通信作者：钱文彬.E-mail:qianwenbinl027@126.com 容之一，它旨在保持原属性集区分能力不变的情DOI: 10.11992/tis.202001017 弱标记不完备决策系统的增量式属性约简算法 程龙1,2，钱文彬1,2，王映龙1 ，胡剑锋3 （1. 江西农业大学 计算机与信息工程学院，江西 南昌 330045; 2. 江西农业大学 软件学院，江西 南昌 330045; 3. 江 西科技学院 信息技术研究所，江西 南昌 330098） 摘 要：在许多现实应用领域中，由于数据标注代价昂贵，且数据往往呈现动态变化，因此存在大量弱标记的不 完备数据。针对上述复杂应用场景，本文以粒计算理论为基础，从区分性视角给出不完备数据的区分对概念， 同时给出属性相对重要度的度量方法，并设计面向弱标记不完备决策系统的属性约简算法。该算法能在迭代 过程中不断缩减搜索空间，提高属性约简效率；并根据实例的动态变化情况，分析属性约简的动态更新机制； 在此基础上，设计了半监督条件下的增量式属性约简算法。最后，通过实验验证了算法的可行性和有效性。 关键词：属性约简；粗糙集；区分对；混合数据；增量学习；半监督学习；相对重要度；动态数据 中图分类号：TP391 文献标志码：A 文章编号：1673−4785(2020)06−1079−12 中文引用格式：程龙, 钱文彬, 王映龙, 等. 弱标记不完备决策系统的增量式属性约简算法 [J]. 智能系统学报, 2020, 15(6): 1079–1090. 英文引用格式：CHENG Long, QIAN Wenbin, WANG Yinglong, et al. An incremental attribute reduction algorithm for incom￾plete decision system with weak labeling[J]. CAAI transactions on intelligent systems, 2020, 15(6): 1079–1090. An incremental attribute reduction algorithm for incomplete decision system with weak labeling CHENG Long1,2 ，QIAN Wenbin1,2 ，WANG Yinglong1 ，HU Jianfeng3 (1. School of Computer and Information Engineering, Jiangxi Agricultural University, Nanchang 330045, China; 2. School of Soft￾ware, Jiangxi Agricultural University, Nanchang 330045, China; 3. Institute of Information Technology, Jiangxi University of Tech￾nology, Nanchang 330098, China) Abstract: Due to the high cost of data annotation and dynamic change of data, many practical applications have a lot of incomplete data with weak labeling. In view of the above complex scenarios, based on the theory of granular computing, the concept of discernibility pairs of incomplete data is proposed and provides a measurement method for the relative importance of attributes. The attribute reduction algorithm is designed for an incomplete decision system with weak la￾beling, which can reduce the search space and improve the efficiency of attribute reduction. Besides, the dynamic updat￾ing mechanism of attribute reduction is analyzed based on the dynamic change of instances. In this study, an increment￾al attribute reduction algorithm is designed under a semi-supervised scene, and the experimental results show the feasib￾ility and effectiveness of the proposed algorithm. Keywords: attribute reduction; rough set; discernibility pair; mixed data; incremental learning; semi-supervised learn￾ing; relative importance; dynamic data 粗糙集理论[1-2] 是一种有效的数据分析方法， 主要用于处理不确定、不一致和模糊的数据[3-4] ， 已被广泛地应用于知识发现、数据挖掘和机器学 习等领域。属性约简是粗糙集理论的重要研究内 容之一，它旨在保持原属性集区分能力不变的情 收稿日期：2020−01−09. 基金项目：国家自然科学基金项目 (61966016)；江西省自然科 学基金项目 (20192BAB207018)；江西省教育厅科学 技术研究项目 (GJJ180200). 通信作者：钱文彬. E-mail：qianwenbin1027@126.com. 第 15 卷第 6 期 智 能 系 统 学 报 Vol.15 No.6 2020 年 11 月 CAAI Transactions on Intelligent Systems Nov. 2020