Zbiory przybli˙zone w obliczeniach granularnych
Anna Gomoli´nska
Uniwersytet w Białymstoku
Pozna´n, Instytut Informatyki Politechniki Pozna´nskiej,
2011.11.22
Plan wyst ˛ apienia
•
Motywacje.
•
Obliczenia granularne.
•
Zbiory przybli˙zone.
•
Główne kierunki bada´n autorki.
•
Podsumowanie.
Sem-PP’2011 – p. 2/124
Motywacje
•
Odkrywanie wiedzy o obiektach zło˙zonych jak systemy inteligentne oraz o procesach i
interakcjach zachodz ˛ acych w takich systemach.
•
Rozwój podstaw oblicze´n granularnych.
•
Dostarczenie nowych i udoskonalenie
istniej ˛ acych narz˛edzi i technik słu˙z ˛ acych
rozwi ˛ azywaniu problemów metodami
granularnymi.
Obliczenia granularne
•
Poj˛ecie ‘granula informacyjna’ pochodzi od L. A. Zadeha.
•
W uj˛eciu Zadeha granula informacyjna (w skrócie infogranula) to skupisko obiektów zebranych ze wzgl˛edu na nierozró˙znialno´s´c, podobie´nstwo lub funkcjonowanie
(funkcjonalno´s´c).
•
Aktualnie rozwa˙za si˛e tak˙ze infogranule
ustrukturyzowane (struktury, systemy, procesy).
Sem-PP’2011 – p. 4/124
Obliczenia granularne c.d.
•
Granulacja przestrzeni badanych obiektów
(uniwersum) jako wynik celowych zabiegów lub jako skutek naturalnych ogranicze´n w zakresie percepcji, dokładno´sci pomiarów i gromadzenia danych o obiektach.
•
Wykorzystanie tej granulacji do rozwi ˛ azywania problemów, w tym obliczeniowych w warunkach niedoskonałej informacji.
•
Realizacja idei oblicze´n granularnych metodami
analizy przedziałowej, analizy skupie´n, zbiorów
przybli˙zonych, zbiorów rozmytych i innych.
Zbiory przybli˙zone
•
W oryginalnym uj˛eciu zaproponowanym przez Z. Pawlaka granulacja przestrzeni generowana przez nierozró˙znialno´s´c obiektów z uwagi na rozwa˙zane atrybuty, modelowan ˛ a jako pewna relacja równowa˙zno´sci.
•
Zbiór definiowalny: suma pewnych infogranul elementarnych, czyli klas abstrakcji relacji
nierozró˙znialno´sci.
•
Dolne przybli˙zenie zbioru: najwi˛ekszy zbiór definiowalny zawarty w tym zbiorze.
•
Górne przybli˙zenie zbioru: najmniejszy zbiór definiowalny zawieraj ˛ acy ten zbiór.
Sem-PP’2011 – p. 6/124
Zbiory przybli˙zone c.d.
•
Brzeg zbioru: ró˙znica mi˛edzy górnym i dolnym przybli˙zeniem zbioru.
•
Zbiór jest dokładny, je´sli jego brzeg jest pusty; w przeciwnym przypadku zbiór jest przybli˙zony.
•
W podej´sciu Pawlaka dokładno´s´c i definiowalno´s´c s ˛ a równowa˙zne.
•
Pierwotnie przestrze´n przybli˙ze´n to para
(zbiór_ obiektów, relacja_równowa˙zno´sci).
Wybrane uogólnienia modelu Pawlaka
•
Model A. Skowrona i J. Stepaniuka (dolne i górne przybli˙zenia zdefiniowane za pomoc ˛ a funkcji inkluzji przybli˙zonej, granulacja
generowana przez podobie´nstwo obiektów modelowane przez relacj˛e zwrotn ˛ a).
•
Model DRSA R. Słowi´nskiego, S. Greco i
B. Matarazzo (uwzgl˛ednienie oprócz zwykłych atrybutów tak˙ze kryteriów, granulacja
generowana przez relacj˛e opart ˛ a na dominacji lub podobie´nstwie obiektów).
Sem-PP’2011 – p. 8/124
Wybrane uogólnienia c.d.
•
Model S. K. M. Wonga, L. S. Wanga & Y. Y. Yao (granulacja jak u Pawlaka, dwusortowa
przestrze´n obiektów lub inaczej, dwa uniwersa obiektów dwóch ró˙znych rodzajów).
•
Modele VPRS W. Ziarko (w podstawowym
modelu granulacja jak u Pawlaka, dolne i górne przybli˙zenia zast ˛ apione rodzin ˛ a regionów
t-pozytywnych i rodzin ˛ a regionów
s-negatywnych, gdzie s, t – stopnie precyzji
(0 ≤ s < t ≤ 1), do których zdefiniowania u˙zyta
jest standardowa funkcja inkluzji przybli˙zonej).
Główne kierunki moich bada ´n
KI. Model Pawlaka zbiorów przybli˙zonych i jego uogólnienia.
KII. Potencjalne cz˛e´sci „w stopniu” pewnej cało´sci.
KIII. Przybli˙zone spełnianie formuł i ich zbiorów.
KIV. Porównywanie infogranul pod wzgl˛edem ich zawierania si˛e i podobie´nstwa.
Sem-PP’2011 – p. 10/124
KI: Główne wyniki
•
Porównanie własno´sci operacji przybli˙zania w
sensie Pawlaka i w sensie Skowrona – Stepaniuka przy ró˙znych zało˙zeniach o relacji mi˛edzy
obiektami.
•
Model zmienno-precyzyjny o dwóch uniwersach (kombinacja modelu Wonga, Wanga i Yao z
podstawowym modelem VPRS Ziarki).
•
Model, w którym oprócz podobie´nstwa pod uwag˛e brane jest tak˙ze niepodobie´nstwo
obiektów.
•
Model uogólniaj ˛ acy podej´scie Skowrona –
Stepaniuka, w którym do zdefiniowania
KI: Publikacje
•
Variable-precision compatibility spaces,
Electronical Notices in Theoretical Computer Science, 82(4):120–131, 2003,
http://www.elsevier.nl/locate/entcs/volume82.html
•
A comparison of Pawlak’s and Skowron – Stepaniuk’s approximation of concepts,
Transactions on Rough Sets VI: journal subline of LNCS, 4374:64–82, 2007.
Sem-PP’2011 – p. 12/124
KI: Publikacje c.d.
•
Approximation spaces based on relations of similarity and dissimilarity of objects,
Fundamenta Informaticae, 79(3–4):319–333, 2007.
•
Rough approximation based on weak q-RIFs,
Transactions on Rough Sets X: journal subline of
LNCS, 5656:117–135, 2009.
KII: Wprowadzenie
•
Z zagadnieniem potencjalnych cz˛e´sci „w stopniu” wi ˛ a˙ze si˛e problem stabilno´sci konstruowanych infogranul.
•
Formaln ˛ a teori ˛ a poj˛ecia „bycia cz˛e´sci ˛ a” jest mereologia Le´sniewskiego, natomiast poj˛ecia
„bycia cz˛e´sci ˛ a w stopniu” – mereologia
przybli˙zona (L. Polkowski & A. Skowron).
Sem-PP’2011 – p. 14/124
KII: Główne wyniki
•
Uogólnienie poj˛ecia „cz˛e´sci w stopniu” do poj˛ecia „potencjalnej cz˛e´sci w stopniu”.
•
Zbadanie własno´sci wprowadzonego poj˛ecia.
Referencje:
•
Possible rough ingredients of concepts in
approximation spaces, Fundamenta Informaticae,
72(1–3):139–154, 2006.
KII: Główne wyniki c.d.
•
Cz˛e´s´c potencjalna pewnej cało´sci X to
infogranula na tyle pasuj ˛ aca (bliska, podobna) do pewnej cz˛e´sci Y cało´sci X, ˙ze mo˙zna ni ˛ a zast ˛ api´c Y .
•
Potencjalna cz˛e´s´c „w stopniu” cało´sci X to
infogranula na tyle pasuj ˛ aca do pewnej cz˛e´sci „w stopniu” Y cało´sci X, ˙ze mo˙zna ni ˛ a zast ˛ api´c Y .
Sem-PP’2011 – p. 16/124
KIII: Wprowadzenie
•
Przybli˙zone spełnianie formuł i zbiorów formuł badane jest na przykładzie formuł j˛ezyka
deskryptorów systemu informacyjnego Pawlaka.
•
Dost˛epna informacja o rozwa˙zanych obiektach jest niedoskonała.
•
Celem jest odkrywanie poj˛ecia spełniania formuł i ich zbiorów, a nie zbudowanie formalnego
systemu logicznego.
KIII: Wprowadzenie c.d.
•
U – dany sko´nczony, niepusty zbiór obiektów (aktualne uniwersum).
•
U
∞– potencjalne uniwersum, zawiera U .
•
Obiekty oznaczamy przez u, z indeksami w razie potrzeby.
Sem-PP’2011 – p. 18/124
KIII: Wprowadzenie c.d.
•
A – sko´nczony, niepusty zbiór rozwa˙zanych cech (atrybutów).
•
Atrybuty, oznaczane przez a (z indeksami), traktujemy jako funkcje a : U
∞7→ V
a∪ {⊥}.
•
V
a– zbiór rozwa˙zanych warto´sci a.
•
Warto´sci atrybutów oznaczamy przez v (z indeksami).
•
a (u) =⊥ – „warto´s´c a na u jest nieznana”.
•
Para (atrybut, warto´s´c_atrybutu) – deskryptor.
KIII: Wprowadzenie c.d.
•
Przykład systemu informacyjnego Pawlaka (w skrócie infosystemu) to para IS = (U, A), gdzie U i A s ˛ a jak wy˙zej.
•
Infosystemy decyzyjne = infosystemy z
wyró˙znionym atrybutem decyzyjnym d (lub zbiorem atrybutów decyzyjnych).
•
Przykład infosystemu decyzyjnego to para IS
d= (U, A ∪ {d}), gdzie d 6∈ A.
Sem-PP’2011 – p. 20/124
KIII: Wprowadzenie c.d.
•
Niech ̺ ⊆ U × U b˛edzie relacj ˛ a podobie´nstwa.
•
(u, u
′) ∈ ̺ – „obiekt u jest podobny do u
′”.
•
Dwa rodzaje elementarnych infogranul
zwi ˛ azanych z u: zbiór obiektów, do których u jest podobny, ̺
→{u} (= Γ
∗u), i zbiór obiektów
podobnych do u, ̺
←{u} (= Γu).
•
Zbiory te s ˛ a równe dla relacji tolerancji (czyli zwrotnej i symetrycznej).
•
̺ oraz infogranule elementarne mog ˛ a by´c znane
cz˛e´sciowo.
KIII: Wprowadzenie c.d.
•
Rozwa˙zamy pewn ˛ a przestrze´n przybli˙ze´n
M = (U, ̺, κ) indukowan ˛ a przez infosystem IS oraz jej potencjalne rozszerzenie do
M
∞= (U
∞, ̺
∞, κ
∞).
•
Oprócz przybli˙ze´n w stylu Pawlaka i w stylu Skowrona – Stepaniuka, interesuj ˛ a nas regiony t-pozytywne oraz s-negatywne zbiorów,
podobnie jak w modelu VPRS Ziarki ( 0 ≤ s < t ≤ 1):
pos
t(X)
def= {u ∈ U | κ(Γu, X) ≥ t}
neg
s(X)
def= {u ∈ U | κ(Γu, X) ≤ s}
Sem-PP’2011 – p. 22/124
KIII: J˛ezyk deskryptorów L dla infosystemu IS
•
Termy – nazwy elementów zbioru A ∪ S
a∈A
V
a.
•
∧, ∨, ¬ – spójniki zdaniowe.
•
Formuła = zdanie.
•
Zdania atomowe – deskryptory.
•
Zdania oznaczamy przez α, β, γ (z indeksami).
•
FOR – zbiór wszystkich zda´n L.
KIII: J˛ezyk deskryptorów c.d.
•
Poj˛ecie = podzbiór uniwersum, czyli jaki´s zbiór obiektów.
•
Poj˛ecie definiowalne = suma mnogo´sciowa infogranul elementarnych.
•
Intuicje zwi ˛ azane z definiowalno´sci ˛ a: zbiór definiowalny = zbiór opisywalny w j˛ezyku L.
•
Formuła – etykieta pewnego poj˛ecia, mianowicie ekstensji tej formuły.
•
Ekstensja formuły = zbiór (infogranula) obiektów spełniaj ˛ acych t˛e formuł˛e.
Sem-PP’2011 – p. 24/124
KIII: Poj˛ecie spełniania |= c
u |=
c(a, v) ⇔ a(u) = v
defu |=
cα ∧ β
def⇔ u |=
cα & u |=
cβ u |=
cα ∨ β ⇔ u |=
def cα lub u |=
cβ
u |=
c¬α ⇔ u 6|=
def cα
•
Odpowiadaj ˛ ace poj˛ecie ekstensji formuły:
Sat
c(α)
def= {u ∈ U | u |=
cα }
KIII: Przybli˙zone spełnianie formuł i ich zbiorów
•
Problem jest skomplikowany, gdy˙z:
•
poj˛ecie spełniania jest poj˛eciem wysokiego poziomu,
•
nie znamy tego poj˛ecia dokładnie: trzeba je odkry´c, np. hierarchicznie,
•
w szczególno´sci nie znamy w pełni ekstensji formuł (zbiorów formuł),
•
opisy obiektów mog ˛ a by´c niekompletne i niedokładne,
•
nie wiadomo, czy wybrany j˛ezyk opisu jest odpowiedni,
•
nie wiadomo, czy przyj˛eta/odkryta relacja
podobie´nstwa jest wła´sciwa, a st ˛ ad nie wiemy, czy granulacja jest prawidłowa.
Sem-PP’2011 – p. 26/124
KIII: Główne wyniki
•
Modele poj˛ecia spełniania formuł (zbiorów
formuł) w postaci sparametryzowanych rodzin relacji przybli˙zonego spełniania formuł (zbiorów formuł).
•
Zbadanie własno´sci zdefiniowanych relacji.
•
Propozycja odkrywania poj˛ecia spełniania formuł i ich zbiorów z dost˛epnych danych i przykładów dostarczonych przez eksperta.
•
Interpretacja wprowadzonych poj˛e´c
przybli˙zonego spełniania formuł oraz poj˛e´c
stowarzyszonych w terminach teorii zbiorów
rozmytych.
KIII: Główne wyniki c.d.
•
Zastosowanie wprowadzonych poj˛e´c
przybli˙zonego spełniania do zagadnienia przybli˙zonego stosowania reguł.
•
Zastosowanie przybli˙zonych form spełniania formuł i zbiorów formuł do zagadnienia
konstrukcji infogranul spełniaj ˛ acych dane wymagania.
•
Badanie kwestii formowania s ˛ adów w agentach inteligentnych na temat spełnienia pewnych
wymaga´n, zachodzenia zdarze´n itp., gdy dost˛epna informacja jest niedoskonała.
Sem-PP’2011 – p. 28/124
KIII: Publikacje
•
A graded applicability of rules, Lecture Notes in Artificial Intelligence, 3066:213–218, 2004.
•
A graded meaning of formulas in approximation spaces, Fundamenta Informaticae,
60(1–4):159–172, 2004.
•
On rough judgment making by socio-cognitive agents, [in:] A. Skowron et al., editors, Proc.
2005 IEEE//WIC//ACM Int. Conf. on Intelligent Agent Technology (IAT’2005), Compi`egne,
France, September 2005, pages 421–427, IEEE Computer Society Press, Los Alamitos, CA,
2005.
KIII: Publikacje c.d.
•
Satisfiability and meaning of formulas and sets of formulas in approximation spaces, Fundamenta Informaticae, 67(1–3):77–92, 2005.
•
Towards rough applicability of rules, [in:]
B. Dunin-K˛eplicz, A. Jankowski, A. Skowron, and M. Szczuka, editors, Monitoring, Security, and Rescue Techniques in Multiagent Systems, pages 203–214, Springer-V., Berlin Heidelberg, 2005.
Sem-PP’2011 – p. 30/124
KIII: Publikacje c.d.
•
Construction of rough information granules, [in:]
W. Pedrycz, A. Skowron, and V. Kreinovich,
editors, Handbook of Granular Computing, pages 449–470, John Wiley & Sons, Chichester, 2008.
•
Rough rule-following by social agents, [in:]
H. Flam and M. Carson, editors, Rule Systems Theory. Applications and Explorations, pages 103–118, Peter Lang, Frankfurt am Main, 2008.
•
Satisfiability of formulas from the standpoint of object classification: The RST approach,
Fundamenta Informaticae, 85(1–4):139–153,
2008.
KIII: Publikacje c.d.
•
A fuzzy view on rough satisfiability, Lecture Notes in Artificial Intelligence, 6086:227–236, 2010.
•
Satisfiability judgement under incomplete information, Transactions on Rough Sets XI:
journal subline of LNCS, 5946:66–91, 2010.
Sem-PP’2011 – p. 32/124
KIV: Wprowadzenie
•
Inkluzja przybli˙zona – poj˛ecie zaproponowane przez L. Polkowskiego i A. Skowrona jako
kluczowe poj˛ecie mereologii przybli˙zonej.
•
Mereologia przybli˙zona – formalna teoria uogólniaj ˛ aca mereologi˛e Le´sniewskiego na przypadek „bycia cz˛e´sci ˛ a cało´sci w pewnym stopniu”.
•
Funkcje inkluzji przybli˙zonej – funkcje
dwuargumentowe mierz ˛ ace stopie´n zawierania si˛e zbioru w zbiorze (tak˙ze infogranuli w
infogranuli), zgodne z aksjomatami inkluzji
przybli˙zonej.
Aksjomaty inkluzji przybli˙zonej
•
xε ing
t(y) – „x jest cz˛e´sci ˛ a y w stopniu t”.
(P S1) ∃t.xεing
t(y) → xεx ∧ yεy (P S2) xεing
1(y) ↔ xεing(y)
(P S3) xεing
1(y) → ∀z.(zεing
t(x) → zεing
t(y)) (P S4) x = y ∧ xεing
t(z) → yεing
t(z)
(P S5) xεing
t(y) ∧ s ≤ t → xεing
s(y)
Sem-PP’2011 – p. 34/124
Funkcje inkluzji przybli˙zonej
•
Funkcja inkluzji przybli˙zonej (RIF) nad zbiorem U to dowolna funkcja κ : ℘U × ℘U 7→ [0, 1]
spełniaj ˛ aca rif
1oraz rif
∗2:
rif
1(κ) ⇔ ∀X, Y.(κ(X, Y ) = 1 ⇔ X ⊆ Y )
defrif
∗2(κ) ⇔ ∀X, Y, Z.(κ(Y, Z) = 1 ⇒ κ(X, Y ) ≤ κ(X, Z))
defRIF-y c.d.
•
Zało˙zywszy, ˙ze zachodzi rif
1(κ), warunek rif
∗2mo˙zna zast ˛ api´c przez rif
2:
rif
2(κ) ⇔ ∀X, Y, Z.(Y ⊆ Z ⇒ κ(X, Y ) ≤ κ(X, Z))
defSem-PP’2011 – p. 36/124
Przykłady warunków na κ
rif
3(κ)
def⇔ ∀X 6= ∅.κ(X, ∅) = 0
rif
4(κ)
def⇔ ∀X, Y.(κ(X, Y ) = 0 ⇒ X ∩ Y = ∅)
rif
−14(κ)
def⇔ ∀X 6= ∅.∀Y.(X ∩ Y = ∅ ⇒ κ(X, Y ) = 0)
rif
5(κ)
def⇔ ∀X 6= ∅.∀Y.(κ(X, Y ) = 0 ⇔ X ∩ Y = ∅)
rif
6(κ)
def⇔ ∀X 6= ∅.∀Y.κ(X, Y ) + κ(X, Y
c) = 1
Przykłady RIF-ów
•
Niech U – zbiór sko´nczony.
•
Najbardziej rozpowszechniona jest standardowa funkcja inkluzji przybli˙zonej κ
£.
•
Inny przykład – funkcja inkluzji przybli˙zonej κ
2(G. Drwal i A. Mrózek, 1998).
•
Generowanie inkluzji przybli˙zonej z
t-rezydualnej implikacji (L. Polkowski).
Sem-PP’2011 – p. 38/124
Przykłady RIF-ów c.d.
κ
£(X, Y )
def=
(
#(X∩Y )#X
dla X 6= ∅
1 w przeciwnym przypadku
κ
2(X, Y )
def= #(X
c∪ Y )
#U
Uogólnienia RIF-ów
•
S ˛ a to, np. funkcje κ
κs,toraz κ
πidla i = 1, 2.
•
Niech κ b˛edzie RIF-em nad U oraz 0 ≤ s < t ≤ 1.
κ
κs,t(X, Y )
def=
0 dla κ (X, Y ) ≤ s
κ(X,Y )−s
t−s
dla s < κ (X, Y ) < t 1 dla κ (X, Y ) ≥ t
Sem-PP’2011 – p. 40/124
Uogólnienia RIF-ów c.d.
•
(J. Stepaniuk) Niech U
1, U
2– sko´nczone zbiory niepuste oraz r, r
′⊆ U
1× U
2.
κ
π1(r, r
′)
def=
(
#(r∩r′)←U2
#r←U2
dla r 6= ∅
1 w przeciwnym przypadku
κ
π2(r, r
′) =
(
#(r∩r′)→U1
#r→U1
dla r 6= ∅
1 w przeciwnym przypadku
KIV: Główne wyniki
•
Zaproponowanie funkcji inkluzji przybli˙zonej mog ˛ acych stanowi´c alternatyw˛e dla funkcji standardowej.
•
Zbadanie własno´sci funkcji standardowej oraz funkcji alternatywnych, w tym wykrycie
wzajemnych zale˙zno´sci.
•
Zbadanie zwi ˛ azków mi˛edzy rozwa˙zanymi RIF-ami a pewnymi miarami podobie´nstwa infogranul u˙zywanymi w analizie skupie´n.
Sem-PP’2011 – p. 42/124
KIV: Główne wyniki c.d.
•
Uogólnienie poj˛ecia RIF-a (zbadanie własno´sci, znalezienie nowych przykładów).
•
Zastosowanie operacji algebraicznych, odpowiadaj ˛ acych pewnym implikacjom
3-warto´sciowym, do otrzymania nowych funkcji inkluzji; nast˛epnie zbadanie własno´sci tych
funkcji.
•
Zastosowanie rozwa˙zanych funkcji inkluzji, np.
do
•
badania podobie´nstwa infogranul,
•
przybli˙zania zbiorów i w szczególno´sci
infogranul,
KIV: Publikacje
•
Rough validity, confidence, and coverage of rules in approximation spaces, Transactions on Rough Sets III: journal subline of LNCS, 3400:57–81, 2005.
•
On certain rough inclusion functions,
Transactions on Rough Sets IX: journal subline of LNCS, 5390:35–55, 2008.
•
Rough approximation based on weak q-RIFs,
Transactions on Rough Sets X: journal subline of LNCS, 5656:117–135, 2009.
•
A logic-algebraic approach to graded inclusion, Fundamenta Informaticae, 109:265–279, 2011.
Sem-PP’2011 – p. 44/124
KIV: RIF-y alternatywne do κ £
•
Funkcja κ
1: ℘U × ℘U 7→ [0, 1] dana poni˙zej ma
„wspólne korzenie” z κ
£i κ
2.
κ
1(X, Y ) =
(
#Y#(X∪Y )
dla X ∪ Y 6= ∅
1 w przeciwnym przypadku
KIV: Własno´sci κ £ , κ 1 i κ 2
•
Niech X , Y – niepuste rodziny podzbiorów U . κ
£(X, [ Y) ≤ X
Y ∈Y
κ
£(X, Y )
(„=” je´sli X jest niepusty oraz Y jest rodzin ˛ a zbiorów parami rozł ˛ acznych.)
κ
£([ X , Y ) ≤ X
X∈X
κ
£(X, Y ) · κ
£([ X , X) („=” je´sli X jest rodzin ˛ a zbiorów parami
rozł ˛ acznych.)
Sem-PP’2011 – p. 46/124
KIV: Własno´sci c.d.
•
Niech teraz X 6= ∅ oraz Y – rodzina parami
rozł ˛ acznych podzbiorów U b˛ed ˛ aca pokryciem U . X
Y ∈Y
κ
£(X, Y ) = 1
κ
£(X, Y ) = 0 ⇔ X ∩ Y = ∅
κ
£(X, ∅) = 0
KIV: Własno´sci c.d.
X ∩ Y = ∅ ⇒ κ
£(X, Z − Y ) = κ
£(X, Z ∪ Y )
= κ
£(X, Z)
Z ∩ W = ∅ ⇒ κ
£(Y ∪ Z, W ) ≤ κ
£(Y, W )
≤ κ
£(Y − Z, W )
Z ⊆ W ⇒ κ
£(Y − Z, W ) ≤ κ
£(Y, W )
≤ κ
£(Y ∪ Z, W )
Sem-PP’2011 – p. 48/124
KIV: Własno´sci c.d.
rif
4(κ
1) & rif
4(κ
2)
X 6= ∅ ⇒ (κ
1(X, Y ) = 0 ⇔ Y = ∅) κ
2(X, Y ) = 0 ⇔ X = U & Y = ∅
κ
£(X, Y ) ≤ κ
1(X, Y ) ≤ κ
2(X, Y )
κ
1(X, Y ) = κ
£(X ∪ Y, Y )
KIV: Własno´sci c.d.
κ
2(X, Y ) = κ
£(U, X
c∪ Y )
= κ
£(U, X
c) + κ
£(U, X ∩ Y )
κ
£(X, Y ) = κ
£(X, X ∩ Y )
= κ
1(X, X ∩ Y )
= κ
1(X − Y, X ∩ Y ) X ∪ Y = U ⇒ κ
1(X, Y ) = κ
2(X, Y )
Sem-PP’2011 – p. 50/124
KIV: RIF-y a podobie ´nstwo in- fogranul
•
Dla dowolnej funkcji f : ℘U × ℘U 7→ [0, 1] oraz X, Y ⊆ U , definiujemy jej funkcj˛e
komplementarn ˛ a ¯ f :
f ¯ (X, Y )
def= 1 − f (X, Y )
KIV: RIF-y a podobie ´nstwo c.d.
•
Dostajemy zatem:
¯
κ
£(X, Y ) =
(
#(X−Y )#X
dla X 6= ∅
0 w przeciwnym przypadku
¯
κ
1(X, Y ) =
(
#(X−Y )#(X∪Y )
dla X ∪ Y 6= ∅
0 w przeciwnym przypadku
¯
κ
2(X, Y ) = #(X − Y )
#U
Sem-PP’2011 – p. 52/124
KIV: RIF-y a podobie ´nstwo c.d.
•
Niech κ – dowolny RIF nad U oraz i = 1, 2.
¯
κ
£(X, Y ) = κ
£(X, Y
c) Je´sli X 6= ∅, to
κ
£(X, Y ) = κ ¯
1(X, Y
c)
κ
1(Y
c, X ) = κ ¯
2(X, Y
c) κ
2(U, X) .
¯
κ (X, Y ) = 0 ⇔ X ⊆ Y
KIV: RIF-y a podobie ´nstwo c.d.
Y ⊆ Z ⇒ ¯ κ (X, Z) ⊆ ¯ κ (X, Y )
¯
κ
2(X, Y ) ≤ ¯ κ
1(X, Y ) ≤ ¯ κ
£(X, Y )
¯
κ
i(X, Y ) + ¯ κ
i(Y, Z) ≥ ¯ κ
i(X, Z)
Sem-PP’2011 – p. 54/124
KIV: RIF-y a podobie ´nstwo c.d.
0 ≤ ¯ κ
i(X, Y ) + ¯ κ
i(Y, X) ≤ 1 Je´sli X = ∅ i Y 6= ∅ (lub odwrotnie), to
¯
κ
£(X, Y ) + ¯ κ
£(Y, X) = ¯ κ
1(X, Y ) + ¯ κ
1(Y, X) = 1.
KIV: RIF-y a podobie ´nstwo c.d.
•
Funkcje komplementarne do κ
£, κ
1i κ
2generuj ˛ a funkcje odległo´sci δ
£, δ
i: ℘U × ℘U 7→ [0, 1]
(i = 1, 2) nast˛epuj ˛ aco:
δ
£(X, Y )
def= 1
2 κ ¯
£(X, Y ) + ¯ κ
£(Y, X) δ
i(X, Y )
def= ¯ κ
i(X, Y ) + ¯ κ
i(Y, X)
•
Zauwa˙zmy, ˙ze:
δ
2(X, Y ) ≤ δ
1(X, Y ) ≤ 2δ
£(X, Y )
Sem-PP’2011 – p. 56/124
KIV: RIF-y a podobie ´nstwo c.d.
δ
£(X, Y ) =
1 2
#(X−Y )#X
+
#(Y −X)#Ydla X, Y 6= ∅
0 dla X, Y = ∅
1
2
w p.p.
KIV: RIF-y a podobie ´nstwo c.d.
δ
1(X, Y ) =
(
#(X÷Y )#(X∪Y )
dla X ∪ Y 6= ∅
0 w przeciwnym przypadku,
•
zatem δ
1jest metryk ˛ a Marczewskiego – Steinhausa (1958).
δ
2(X, Y ) = #(X ÷ Y )
#U
Sem-PP’2011 – p. 58/124
KIV: RIF-y a podobie ´nstwo c.d.
•
W ko´ncu rozwa˙zamy funkcje komplementarne do funkcji odległo´sci.
•
Dla dowolnych X, Y ⊆ U :
δ ¯
£(X, Y ) = 1
2 κ
£(X, Y ) + κ
£(Y, X)
=
#(X∩Y ) 2
1#X
+
#Y1dla X, Y 6= ∅
1 dla X, Y = ∅
KIV: RIF-y a podobie ´nstwo c.d.
δ ¯
1(X, Y ) = κ
1(X, Y ) + κ
1(Y, X) − 1
=
(
#(X∩Y )#(X∪Y )
dla X ∪ Y 6= ∅
1 w przeciwnym przypadku
δ ¯
2(X, Y ) = κ
2(X, Y ) + κ
2(Y, X) − 1
= #((X ∪ Y )
c∪ (X ∩ Y ))
#U
Sem-PP’2011 – p. 60/124
KIV: RIF-y a podobie ´nstwo c.d.
•
Funkcje te to miary podobie´nstwa znane z analizy skupie´n:
•
δ ¯
£– Kulczy´nski (1927)
•
δ ¯
1– Jaccard (1908)
•
δ ¯
2– Sokal and Michener (1958); Rand (1971)
KIV: Uogólnianie poj˛ecia ‘RIF’
•
Warunek rif
1(κ) jest równowa˙zny koniunkcji rif
0(κ) i rif
−10(κ), gdzie
rif
0(κ)
def⇔ ∀X, Y.(X ⊆ Y ⇒ κ(X, Y ) = 1), rif
−10(κ)
def⇔ ∀X, Y.(κ(X, Y ) = 1 ⇒ X ⊆ Y ).
Sem-PP’2011 – p. 62/124
KIV: Uogólnianie poj˛ecia ‘RIF’
c.d.
•
κ : ℘U × ℘U 7→ [0, 1] nazywamy
•
funkcj ˛ a quasi-inkluzji przybli˙zonej nad U , je´sli spełnia rif
0i rif
∗2,
•
słab ˛ a funkcj ˛ a quasi-inkluzji przybli˙zonej nad U , je´sli spełnia rif
0i rif
2,
•
funkcj ˛ a quasi’-inkluzji przybli˙zonej nad U , je´sli spełnia rif
−10i rif
∗2,
•
mocn ˛ a funkcj ˛ a quasi’-inkluzji przybli˙zonej
nad U , je´sli spełnia rif
−10i rif
2.
KIV: Uogólnianie poj˛ecia ‘RIF’
c.d.
Figure 1: Zwi ˛ azki mi˛edzy rozwa˙zanymi klasami inkluzji „w stopniu”
RIF-y
-quasi-RIF-y
-słabe quasi-RIF-y
mocne quasi’-RIF-y
--
quasi’-RIF-y
Sem-PP’2011 – p. 64/124
KIV: Uogólnianie poj˛ecia ‘RIF’
c.d.
•
Niech κ b˛edzie RIF-em nad U .
•
Niech ·, · : ℘U 7→ ℘U – monotoniczne operacje
„dolnego i górnego przybli˙zenia”, takie ˙ze dla dowolnego X,
X ⊆ X ⊆ X.
KIV: Uogólnianie poj˛ecia ‘RIF’
c.d.
•
Przykładami funkcji quasi-inkluzji przybli˙zonej s ˛ a κ
κli κ
κupdane przez:
κ
κl(X, Y )
def= κ(X, Y ), κ
κup(X, Y )
def= κ(X, Y ).
•
Natomiast κ
κs,toraz κ
πi(i = 1, 2) s ˛ a słabymi funkcjami quasi-inkluzji przybli˙zonej.
Sem-PP’2011 – p. 66/124
KIV: Funkcje inkluzji a 3-wart.
implikacje
•
Przebadane zostały nast˛epuj ˛ ace 3-warto´sciowe logiki zdaniowe L: logika Fenstada (F), logika Gödla (G), mocna logika Kleene’go (K), słaba logika Kleene’go (Kw), logika Łukasiewicza (Lu), logika McCarthy’ego (MC), logika Posta (P), logika Słupeckiego (S) i logika
Soboci´nskiego (So).
•
Prawda jest symbolizowana przez 1, fałsz przez
0, trzecia warto´s´c logiczna przez
12.
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
•
Ka˙zda z logik L ma adekwatn ˛ a matryc˛e logiczn ˛ a M
L.
•
Operacje matrycowe f
L→: {0,
12, 1}
27→ {0,
12, 1}
odpowiadaj ˛ a implikacjom w logikach L.
•
D
L– zbiór warto´sci wyró˙znionych M
L; D
L= {1} dla wszystkich L poza So oraz D
So= {
12, 1}.
•
Formuła α jest tautologi ˛ a M
L, je´sli przy dowolnym warto´sciowaniu warto´s´c α jest wyró˙zniona.
Sem-PP’2011 – p. 68/124
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
•
Niech X, Y – zbiory rozmyte o funkcjach
nale˙zenia µ
X, µ
Y: U 7→ [0, 1], odpowiednio.
•
Inkluzja rozmyta wg Zadeha, ozn. ⊑, jest naturalnym uogólnieniem inkluzji:
X ⊑ Y ⇔ ∀u ∈ U.µ
def X(u) ≤ µ
Y(u)
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
•
Dowolny zbiór X ⊆ U mo˙zna postrzega´c jako zbiór rozmyty z funkcj ˛ a nale˙zenia
µ
X: U 7→ [0, 1], tak ˛ a ˙ze
µ
X(u)
def=
1 dla u ∈ X, 0 dla u ∈ (X)
c,
1
2
w pozostałym przypadku.
Sem-PP’2011 – p. 70/124
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
•
Z ka˙zd ˛ a logik ˛ a L wi ˛ a˙zemy relacj˛e ⊆
Lna ℘U , która jest pewnego rodzaju uogólnieniem
inkluzji:
X ⊆
LY ⇔ ∀u ∈ U.f
def L→(µ
X(u), µ
Y(u)) ∈ D
L•
St ˛ ad dostajemy:
X ⊆
KwY ⇔ ((X)
c∩ (Y ∪ (Y )
c)) ∪ ((X ∪ (X)
c) ∩ Y ) = U
X ⊆
MCY ⇔ (X)
c∪ ((X ∪ (X)
c) ∩ Y ) = U
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
X ⊆
KY ⇔ (X)
c∪ Y = U X ⊆
GY ⇔ X ⊆
LuY
⇔ (X)
c∪ Y ∪ ((X − X) ∩ (Y − Y )) = U X ⊆
SoY ⇔ (X)
c∪ Y = U
X ⊆
PY ⇔ (X − X) ∪ Y = U
X ⊆
FY ⇔ X ⊆
SY ⇔ (X)
c∪ Y = U
Sem-PP’2011 – p. 72/124
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
•
Definiujemy funkcj˛e L-inkluzji nad sko´nczonym U jako funkcj˛e κ
L: (℘U )
27→ [0, 1] dan ˛ a przez:
κ
L(X, Y )
def= #{u ∈ U | f
L→(µ
X(u), µ
Y(u)) ∈ D
L}
#U .
•
κ
L(X, Y ) czytamy jako „stopie´n L-inkluzji X w
Y ”.
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
κ
Kw(X, Y ) =
= #(((X)
c∩ (Y ∪ (Y )
c)) ∪ ((X ∪ (X)
c) ∩ Y ))
#U
κ
MC(X, Y ) = #((X)
c∪ ((X ∪ (X)
c) ∩ Y ))
#U κ
K(X, Y ) = #((X)
c∪ Y )
#U
Sem-PP’2011 – p. 74/124
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
κ
G(X, Y ) = κ
Lu(X, Y )
= #((X)
c∪ Y ∪ ((X − X) ∩ (Y − Y )))
#U κ
So(X, Y ) = #((X)
c∪ Y )
#U
κ
P(X, Y ) = #((X − X) ∪ Y )
#U
κ
F(X, Y ) = κ
S(X, Y ) = #((X)
c∪ Y )
#U
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
•
Zauwa˙zmy, ˙ze
κ
F(X, Y ) = κ
2(X, Y ) & κ
So(X, Y ) = κ
2(X, Y ).
•
Gdy X, Y s ˛ a dokładne, tzn. X = X oraz Y = Y , to κ
L(X, Y ) = κ
2(X, Y ) dla L 6= P.
Sem-PP’2011 – p. 76/124
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
•
W celu porównania κ
Ldla ró˙znych L, definiujemy
κ
Lκ
L′⇔ ∀X, Y.κ
def L(X, Y ) ≤ κ
L′(X, Y ), κ
L∼ = κ
L′⇔ κ
def Lκ
L′& κ
L′κ
L.
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
•
Okazuje si˛e, ˙ze:
(a) κ
Kwκ
MCκ
Kκ
Lu∼ = κ
Gκ
F∼ = κ
S& κ
Gκ
So& κ
Pκ
F(b) κ
L(X, Y ) = 1 ⇔ X ⊆
LY
(c) X ⊑ Y ⇒ κ
L(X, Y ) = 1 dla L = F, G, Lu, S, So
Sem-PP’2011 – p. 78/124
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
(d) κ
L(X, Y ) = 1 ⇒ X ⊑ Y dla L = G, K, Kw, Lu, MC
(e) κ
L(Y, Z) = 1 ⇒ κ
L(X, Y ) ≤ κ
L(X, Z)
(f ) Y ⊑ Z ⇒ κ
L(X, Y ) ≤ κ
L(X, Z) dla L 6= Kw
(g) Z ⊑ Y ⊑ X ⇒ κ
L(X, Z) ≤ κ
L(Y, Z) dla L 6= P
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
•
Warunki „rif” dostosowane do 3-warto´sciowej interpretacji zbioru:
rif
g0(κ) ⇔ ∀X, Y ⊆ U.(X ⊑ Y ⇒ κ(X, Y ) = 1)
defrif
−1g0(κ) ⇔ ∀X, Y ⊆ U.(κ(X, Y ) = 1 ⇒ X ⊑ Y )
defrif
g1(κ) ⇔ ∀X, Y ⊆ U.(κ(X, Y ) = 1 ⇔ X ⊑ Y )
defrif
g2(κ) ⇔ ∀X, Y, Z ⊆ U.(Y ⊑ Z
def⇒ κ(X, Y ) ≤ κ(X, Z))
Sem-PP’2011 – p. 80/124
KIV: Funkcje inkluzji a 3-wart.
implikacje c.d.
•
Okazuje si˛e, ˙ze κ
Ljest
•
RIF-em dla L = G, Lu,
•
quasi-RIF-em dla L = F, G, Lu, S, So,
•
mocnym quasi’-RIF-em dla L = G, K, Lu, MC,
•
quasi’-RIF-em dla L = G, K, Kw, Lu, MC.
KIV: Zastosowanie funkcji inkluzji
•
Badanie podobie´nstwa infogranul.
•
Przybli˙zanie zbiorów i w szczególno´sci infogranul.
•
Ocena jako´sci reguł (decyzyjnych, asocjacyjnych).
Sem-PP’2011 – p. 82/124
Podsumowanie
•
W referacie uj˛ete zostały główne kierunki moich bada´n (lata 2003-2010) z zakresu oblicze´n
granularnych realizowanych metodami zbiorów przybli˙zonych.
•
Uzyskane rezultaty maj ˛ a znaczenie nie tylko dla rozwoju teorii zbiorów przybli˙zonych i podstaw oblicze´n granularnych.
•
Proponowane rozwi ˛ azania mo˙zna zastosowa´c, np.:
•
do modelowania zachowa´n grupowych w systemach wieloagentowych,
•
w odkrywaniu wiedzy z danych,
Dzi˛ekuj˛e za uwag˛e!
Sem-PP’2011 – p. 84/124
DI: Porównanie modeli Pawlaka i Skowrona – Stepaniuka
•
A. Gomoli´nska: A comparison of Pawlak’s and Skowron – Stepaniuk’s approximation of
concepts, Transactions on Rough Sets VI: journal
subline of LNCS, 4374:64–82, 2007.
•
Przestrze´n przybli˙ze´n: M = (U, ̺, κ), gdzie
•
U – niepusty zbiór obiektów,
•
̺ – niepusta relacja binarna na U ,
•
κ – funkcja inkluzji przybli˙zonej nad U . Γ
̺u
def= ̺
←{u} & Γ
∗̺u
def= ̺
→{u}
Sem-PP’2011 – p. 86/124
•
Funkcja inkluzji przybli˙zonej nad zbiorem U to dowolna funkcja κ : ℘U × ℘U 7→ [0, 1]
spełniaj ˛ aca rif
1oraz rif
∗2:
rif
1(κ) ⇔ ∀X, Y.(κ(X, Y ) = 1 ⇔ X ⊆ Y )
defrif
∗2(κ) ⇔ ∀X, Y, Z.(κ(Y, Z) = 1 ⇒ κ(X, Y ) ≤ κ(X, Z))
def•
Dolne i górne przybli˙zenia zbioru w sensie Pawlaka:
lowX
def= {u | Γu ⊆ X}
uppX
def= {u | Γu ∩ X 6= ∅}
Sem-PP’2011 – p. 88/124
•
Γ-definiowalne dolne i górne przybli˙zenia zbioru w sensie Pawlaka:
low
∪X
def= [{Γu | Γu ⊆ X}
upp
∪X
def= [{Γu | Γu ∩ X 6= ∅}
•
Dolne i górne przybli˙zenia zbioru w sensie Skowrona – Stepaniuka:
low
SX
def= {u | κ(Γu, X) = 1}
upp
SX
def= {u | κ(Γu, X) > 0}
Sem-PP’2011 – p. 90/124
•
Γ-definiowalne dolne i górne przybli˙zenia zbioru w sensie Skowrona – Stepaniuka:
low
S∪X
def= [{Γu | κ(Γu, X) = 1}
upp
S∪X
def= [{Γu | κ(Γu, X) > 0}
•
Post˛epuj ˛ ac podobnie dla infogranul postaci Γ
∗u dostajemy operacje dolnego przybli˙zenia low
∗, low
∪∗, low
S∗, low
S∪∗oraz górnego przybli˙zenia upp
∗, upp
∪∗, upp
S∗, upp
S∪∗.
•
Dla f ∈ {low, upp, low
S, upp
S} zachodzi:
f
∪= upp
∗◦ f
Sem-PP’2011 – p. 92/124
•
Zbadane zostały własno´sci i porównane zostały operacje przybli˙zania w obu modelach przy
ró˙znych dodatkowych warunkach nało˙zonych na
̺ i/lub ̺
−1(serialno´s´c, zwrotno´s´c,
symetryczno´s´c, przechodnio´s´c i ich kombinacje) oraz przy ró˙znych dodatkowych warunkach
nało˙zonych na κ.
DI: Model zmienno-precyzyjny o dwóch uniwersach
•
A. Gomoli´nska: Variable-precision compatibility spaces, Electronical Notices in Theoretical
Computer Science, 82(4):120–131, 2003,
http://www.elsevier.nl/locate/entcs/volume82.html
Sem-PP’2011 – p. 94/124
•
Rozwa˙zamy niepuste zbiory U
1, U
2oraz funkcj˛e granuluj ˛ ac ˛ a ∆ : U
17→ ℘U
2, tak ˛ a ˙ze ∆
→U
1stanowi pokrycie zbioru U
2niepustymi infogranulami postaci ∆u.
•
Definiujemy funkcj˛e ∆
∗: U
27→ ℘U
1stowarzyszon ˛ a z ∆:
∆
∗u
def= {v ∈ U
1| u ∈ ∆v}
•
WWY-dolne i WWY-górne przybli˙zenia zbioru X ⊆ U
2:
low
WWYX
def= {u ∈ U
1| ∆u ⊆ X}
upp
WWYX
def= {u ∈ U
1| ∆u ∩ X 6= ∅}
Sem-PP’2011 – p. 96/124
•
∆-definiowalne WWY-dolne i WWY-górne przybli˙zenia zbioru X:
low
WWY∪X
def= [{∆u | u ∈ U
1∧ ∆u ⊆ X}
upp
WWY∪X
def= [{∆u | u ∈ U
1∧ ∆u ∩ X 6= ∅}
•
Zmienno-precyzyjna przestrze´n zgodno´sci:
(U
1, U
2, ∆, κ
1, κ
2), gdzie
•
U
1, U
2, ∆ s ˛ a jak wy˙zej,
•
κ
i: ℘U
i× ℘U
i7→ [0, 1] – funkcja inkluzji
przybli˙zonej nad U
i(i = 1, 2) spełniaj ˛ aca rif
6:
rif
6(κ
i) ⇔ ∀X 6= ∅.∀Y.κ
def i(X, Y ) + κ
i(X, U
i− Y ) = 1
Sem-PP’2011 – p. 98/124
•
Niech 0 ≤ s < t ≤ 1 oraz X ⊆ U
2.
•
t-pozytywny i s-negatywny region X:
pos
tX
def= [{∆u | u ∈ U
1∧ κ
2(∆u, X) ≥ t}
neg
sX
def= [{∆u | u ∈ U
1∧ κ
2(∆u, X) ≤ s}
•
Podobnie t ∗-pozytywny i s∗-negatywny region X:
pos
∗tX
def= [{∆
∗u | u ∈ U
2∧ κ
1(∆
∗u, X ) ≥ t}
neg
∗sX
def= [{∆
∗u | u ∈ U
2∧ κ
1(∆
∗u, X ) ≤ s}
Sem-PP’2011 – p. 100/124
DI: Model uwzgl˛edniaj ˛ acy
podobie ´nstwo i niepodobie ´nstwo
•
A. Gomoli´nska: Approximation spaces based on relations of similarity and dissimilarity of objects, Fundamenta Informaticae, 79(3–4):319–333,
2007.
•
A. Tversky postuluje rozwa˙zanie argumentów
„za” i „przeciw” przy ustalaniu podobie´nstwa mi˛edzy obiektami.
•
W modelu proponowanym przez autork˛e
argumenty „za” uwzgl˛ednione s ˛ a przez pewn ˛ a relacj˛e zwrotn ˛ a zwan ˛ a relacj ˛ a podobie´nstwa, a argumenty „przeciw” przez pewn ˛ a relacj˛e
przeciwzwrotn ˛ a zwan ˛ a relacj ˛ a niepodobie´nstwa (jest ona zawarta w dopełnieniu relacji
podobie´nstwa).
•
Mamy dwa rodzaje infogranul elementarnych:
generowane przez relacj˛e podobie´nstwa oraz generowane przez relacj˛e niepodobie´nstwa.
Sem-PP’2011 – p. 102/124
•
Przestrze´n przybli˙ze´n: (U, r, ̺, κ), gdzie
•
U – niepusty zbiór obiektów,
•
r – relacja podobie´nstwa na U ,
•
̺ – relacja niepodobie´nstwa na U ,
•
κ – funkcja inkluzji przybli˙zonej nad U .
Γu
def= r
←{u} & Θu
def= ̺
←{u}
•
Ró˙zne operacje przybli˙zania zbioru (t ∈ [0, 1]):
•
int – operacja wn˛etrza (dolnego przybli˙zenia),
•
ext – operacja zewn˛etrza,
•
ppos – operacja regionu „by´c mo˙ze”
pozytywnego (górnego przybli˙zenia),
•
pneg – operacja regionu „by´c mo˙ze”
negatywnego,
•
ign – operacja regionu niewiedzy,
•
int
t– operacja regionu t-wewn˛etrznego (regionu t-pozytywnego),
•
ext
t– operacja regionu t-zewn˛etrznego.
Sem-PP’2011 – p. 104/124
intX
def= {u | Γu ⊆ X}
extX
def= {u | X ⊆ Θu}
pposX
def= {u | Γu ∩ X 6= ∅}
pnegX
def= {u | Θu ∩ X 6= ∅}
ignX
def= U − (pposX ∪ pnegX) int
tX
def= {u | κ(Γu, X) ≥ t}
ext
tX
def= {u | κ(X, Θu) ≥ t}
Niech
rif
3(κ) ⇔ ∀X 6= ∅.κ(X, ∅) = 0.
def•
Własno´sci operacji przybli˙zania:
int
1= int & ext
1= ext
u ∈ ignX ⇔ X ∩ (Γu ∪ Θu) = ∅
int
0X = ext
0X = int
tU = ext
t∅ = pposU = U pnegU = {u | Θu 6= ∅}
int∅ = extU = ppos∅ = pneg∅ = ∅ rif
3(κ) & t > 0 ⇒ int
t∅ = ∅
Sem-PP’2011 – p. 106/124
Niech f oznacza ppos lub pneg.
intX ⊆ X ⊆ pposX
extX ⊆ int(X
c) = (pposX)
cr ∪ ̺ = U × U ⇒ extX = int(X
c) X 6= ∅ ⇒ extX ⊆ pnegX
s ≤ t ⇒ int
tX ⊆ int
sX & ext
tX ⊆ ext
sX X ⊆ Y ⇒ int
tX ⊆ int
tY & extY ⊆ extX
& f X ⊆ f Y
int
t(X ∩ Y ) ⊆ int
tX ∩ int
tY int
t(X ∪ Y ) ⊇ int
tX ∪ int
tY int(X ∩ Y ) = intX ∩ intY ext(X ∩ Y ) ⊇ extX ∪ extY ext(X ∪ Y ) = extX ∩ extY f (X ∩ Y ) ⊆ f X ∩ f Y
f (X ∪ Y ) = f X ∪ f Y
Sem-PP’2011 – p. 108/124
DI: Model oparty na słabszych funkcjach inkluzji
(„słabszych” w stosunku do inkluzji przybli˙zonej)
•
A. Gomoli´nska: Rough approximation based on weak q-RIFs, Transactions on Rough Sets X:
journal subline of LNCS, 5656:117–135, 2009.
DIII: Przybli˙zone spełnianie for- muł i ich zbiorów
•
Zagadnienie to jest badane na przykładzie formuł j˛ezyka deskryptorów systemu informacyjnego
Pawlaka.
•
Informacja dost˛epna o rozwa˙zanych obiektach jest niedoskonała.
•
Celem jest odkrywanie poj˛ecia spełniania formuł i ich zbiorów, a nie zbudowanie formalnego
systemu logicznego.
Sem-PP’2011 – p. 110/124
DIII: Relacje przybli˙zonego spełniania
Referencje:
•
A graded meaning of formulas in approximation spaces, Fundamenta Informaticae,
60(1–4):159–172, 2004.
•
Satisfiability and meaning of formulas and sets of formulas in approximation spaces, Fundamenta Informaticae, 67(1–3):77–92, 2005.
•
Satisfiability judgement under incomplete information, Transactions on Rough Sets XI:
journal subline of LNCS, 5946:66–91, 2010.
•
W tym podej´sciu poj˛ecie spełniania formuł z FOR przez obiekty z U modelowane jest jako sparametryzowana rodzina relacji, czyli
podzbiorów U × FOR.
•
Celem jest odkrycie relacji najlepiej pasuj ˛ acej do badanego przypadku, np. przez optymalizacj˛e
warto´sci parametrów.
Sem-PP’2011 – p. 112/124
Przykłady
•
Przykład I: {|=
t}
t∈[0,1], gdzie
u |=
tα ⇔ κ(Γu, Sat
def c(α)) ≥ t.
•
Zauwa˙zmy, ˙ze je´sli t > 0, to
Sat
t(α)
def= {u ∈ U | u |=
tα }
= pos
t(Sat
c(α)).
•
Przykład II: {|=
+t}
t∈[0,1], gdzie
|=
+t def= |=
t∩ |=
c.
•
Zauwa˙zmy, ˙ze je´sli t > 0, to
Sat
+t(α) = pos
t(Sat
c(α)) ∩ Sat
c(α).
Sem-PP’2011 – p. 114/124
•
Niech b˛edzie porz ˛ adkiem „po współrz˛ednych”
na [0, 1]
2.
•
([0, 1]
2, ) – krata z (0, 0) jako zerem i (1, 1) jako jedynk ˛ a.
•
Przykład III: {|=
npt}
t∈T, gdzie
T = {(t
1, t
2) | 0 ≤ t
1< t
2≤ 1} oraz
u |=
npα ⇔ κ(Γu, Sat
def(¬α)) ≤ π (t)
•
Zauwa˙zmy, ˙ze
Sat
npt(α) = neg
π1(t)(Sat
c(α)) ∩ pos
π2(t)(Sat
c(α)).
Sem-PP’2011 – p. 116/124
•
Przykład IV: |=
P, gdzie
u |=
Pα ⇔ Γu ∩ Sat
def c(α) 6= ∅.
•
Zauwa˙zmy, ˙ze
Sat
P(α) = upp(Sat
c(α)).
•
To poj˛ecie spełniania koresponduje z poj˛eciem prawdy przybli˙zonej wprowadzonym przez
Z. Pawlaka i badanym przez M. Banerjee.
•
Przykład V: |=
S, gdzie
u |=
Sα ⇔ κ(Γu, Sat
def c(α)) > 0.
•
Zauwa˙zmy, ˙ze
Sat
S(α) = upp
S(Sat
c(α)).
Sem-PP’2011 – p. 118/124
•
Przykład VI: {|=
gWt}
t∈T, gdzie T = (0, 1] × [0, 1]
oraz
u |=
gWtα ⇔ κ(pos
def π1(t)(Γu), Sat
c(α)) ≥ π
2(t).
•
Relacje spełniania otrzymane dla π
2(t) = 1 s ˛ a inspirowane semantyk ˛ a „mo˙zliwych ´swiatów”
dla logik modalnych.
DIII: Odkrywanie poj˛ecia speł- niania formuł
A dokładniej – odkrywanie poj˛ecia spełniania formuł z dost˛epnych danych i przykładów (np. przykładów na „tak” i na „nie”) dostarczonych przez eksperta.
Referencje:
•
Satisfiability of formulas from the standpoint of object classification: The RST approach,
Fundamenta Informaticae, 85(1–4):139–153, 2008.
Sem-PP’2011 – p. 120/124
DIII: Przybli˙zone spełnianie for- muł a zbiory rozmyte
•
Mianowicie, wprowadzone poj˛ecia przybli˙zonego spełniania formuł oraz poj˛ecia pokrewne
interpretowane s ˛ a w terminach teorii zbiorów rozmytych jak rdze´n czy alfa-ci˛ecie.
Referencje:
•
A fuzzy view on rough satisfiability, Lecture
Notes in Artificial Intelligence, 6086:227–236,
2010.
DIII: Przybli˙zone stosowanie reguł
Referencje:
•
A graded applicability of rules, Lecture Notes in Artificial Intelligence, 3066:213–218, 2004.
•
Towards rough applicability of rules, [in:]
B. Dunin-K˛eplicz, A. Jankowski, A. Skowron, and M. Szczuka, editors, Monitoring, Security, and Rescue Techniques in Multiagent Systems, pages 203–214, Springer-V., Berlin Heidelberg, 2005.
•
Rough rule-following by social agents, [in:]
H. Flam and M. Carson, editors, Rule Systems Theory. Applications and Explorations, pages 103–118, Peter Lang, Frankfurt am Main, 2008.
Sem-PP’2011 – p. 122/124
DIII: Konstrukcja infogranul spełniaj ˛ acych dane wymagania
Referencje:
•
Construction of rough information granules, [in:]
W. Pedrycz, A. Skowron, and V. Kreinovich,
editors, Handbook of Granular Computing, pages
449–470, John Wiley & Sons, Chichester, 2008.
DIII: Formowanie s ˛ adów w agentach inteligentnych
Referencje:
•
On rough judgment making by socio-cognitive agents, [in:] A. Skowron et al., editors, Proc.
2005 IEEE//WIC//ACM Int. Conf. on Intelligent Agent Technology (IAT’2005), Compi`egne,
France, September 2005, pages 421–427. IEEE Computer Society Press, Los Alamitos, CA,
2005.
•
Satisfiability judgement under incomplete information, Transactions on Rough Sets XI:
journal subline of LNCS, 5946:66–91, 2010.
Sem-PP’2011 – p. 124/124