邻域协同表达提升分类准确性的方法

本文主要探讨了一种针对邻域粗糙集模型中存在的问题提出的一种新型分类方法。在传统的邻域粗糙集模型中，随着信息粒度的增加，依赖于多数投票原则的邻域分类器（NC）在处理未知样本的类别预测时，可能会出现误判现象，这可能影响分类的准确性和鲁棒性。为了解决这一问题，研究人员借鉴了协同表达分类（CRC）的思想，创新性地提出了“邻域协同分类器”（NCC）。 NCC方法的核心在于考虑了样本之间的协同效应，而非孤立地分析每个样本的局部信息。它通过整合临近样本的特征信息，构建了一个更为全面和动态的分类框架。具体来说，NCC首先对训练数据进行划分，形成一个邻域结构，然后在每个邻域内，通过协同表达的方式，将多个样本的特征组合起来，形成一种新的、综合的表示。这样做的目的是减少单一样本的不确定性，并利用邻域内的信息共识来提升分类决策的可靠性。 在实现过程中，NCC可能涉及到邻域选择策略、协同表达函数的选择以及集成策略等关键步骤。作者们利用多种资助项目，如国家自然科学基金、中国博士后科学基金和江苏省普通高校学术学位研究生科研创新计划，对这种方法进行了深入的研究和优化。 研究团队由四位专家组成，包括徐苏平硕士生、杨习贝博士后及副教授、于化龙博士及副教授以及於东军教授和博士生导师，他们在粗糙集理论、粒计算、机器学习和生物信息学等领域有着深厚的研究背景。他们共同合作，通过实验验证了NCC在实际分类任务中的有效性，展示出其在处理复杂数据集和提高分类性能方面的潜力。 这篇论文提供了一种新颖的解决邻域分类问题的方法，它强调了样本间信息的协同作用，有助于改善邻域粗糙集模型在处理不确定性样本时的表现，对于提升机器学习和数据挖掘领域的分类算法具有重要的理论价值和实践意义。