近日，由计算机与信息科学学院桑彬彬副教授为第一作者完成的面向有序分类数据的鲁棒属性约简方法的研究论文“Robust Attribute Reduction Exploring Class-Separability and Attribute-Correlation for Ordered Decision Systems”被中科院1区Top期刊《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》接收并出版。

《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》期刊是信息系统与控制领域的国际顶级学术期刊，属于中科院1区Top期刊，影响因子8.6。本项研究得到了国家自然科学基金青年基金、重庆市自然科学基金面上项目、重庆市教委重点科技项目和青年项目等资助。

鲁棒知识获取方法是数据挖掘领域的研究热点之一。模糊优势粗糙集（FDRS）模型是有序分类任务的重要知识获取工具。但实践证明，该模型的容错性较差，仅一个噪声样本就会对知识获取造成巨大干扰。属性约简是FDRS的重要应用之一。目前，大多数有序分类任务的属性约简方法主要关注决策对属性的依赖性，而忽略了类的可分性和属性之间的相关性为有序分类提供的信息。针对这两个问题，该研究提出了一种具有可过滤噪声样本的鲁棒FDRS模型，在鲁棒模糊优势粗糙近似空间中探讨了类可分性和属性相关性，设计了相应的属性评价指标和鲁棒的属性约简算法，选择分类性能最高的属性子集。实验结果表明，该算法具有较好的鲁棒性和分类性能。

桑彬彬副教授团队近年来始终专注于人工智能领域的前沿基础理论研究，其中包括多粒度认知计算、不确定性推理与建模、智能信息处理等方面，主持国家自然科学基金项目，重庆市自然科学基金面上项目、重庆市教委重点科技项目、青年项目，教育部重点实验室开放课题以及“博望学者”校级人才项目，研究成果已发表在IEEE TSMC、IEEE TFS、INFUS、INS、KBS、ESAW、IJAR等国际顶级期刊。

论文链接DOI: 10.1109/TSMC.2025.3547972