近日，由計算機與信息科學學院桑彬彬副教授為第一作者完成的關于多尺度信息融合的研究論文《VCOS: Multi-scale information fusion to feature selection using fuzzy rough combination entropy》被中國科學院1區(qū)Top期刊《Information Fusion》接收并出版。
《Information Fusion》期刊是信息融合領域的國際頂級學術期刊，屬于中國科學院1區(qū)Top期刊，影響因子14.8，近五年年均發(fā)文量僅200篇左右，這也是計算機與信息科學學院首次在《Information Fusion》上發(fā)表科研論文。本項研究得到了國家自然科學基金青年基金、重慶市自然科學基金面上項目、重慶市教委重點科技項目和青年項目等資助。
桑彬彬副教授團隊近年來始終專注于人工智能領域的前沿基礎理論研究，其中包括多粒度認知計算、不確定性推理與建模、智能信息處理等方面，主持國家自然科學基金項目，重慶市自然科學基金面上項目、重慶市教委重點科技項目、青年項目，教育部重點實驗室開放課題以及“博望學者”校級人才項目，研究成果已發(fā)表在IEEE TSMC、IEEE TFS、INFUS、INS、KBS、ESAW、IJAR等國際頂級期刊。
多尺度信息融合在數據挖掘領域引起了廣泛關注，其中最優(yōu)尺度組合原則和特征選擇算法是兩個核心問題。然而，傳統的最優(yōu)尺度組合是通過滿足條件特征尺度與決策分類的一致性來獲得的。這種一致性原則過于嚴格且不具備容錯性。它會導致知識粒度過細，可能降低特征選擇算法的性能，無法滿足實際應用的需求。論文提出了一種穩(wěn)健的最優(yōu)尺度組合選擇方法來融合多尺度信息，建立了一種穩(wěn)健的模糊粗糙集模型，定義了不確定性度量，并為多尺度模糊決策系統（MsFDS）設計了特征選擇算法。本文提出的基于 VCOS 的多尺度融合方法可以根據實際需求調整知識粒度與決策分類之間的一致程度。這種多尺度信息融合方法具有更好的泛化能力，可應用于各種復雜數據?；谠摲椒ㄩ_發(fā)的多尺度特征選擇方法的性能也得到了進一步提升。實驗結果表明，所提出的算法能夠有效地去除冗余特征，提高分類性能。
