[論文レビュー] Properties of Bipolar Fuzzy Hypergraphs

Muhammad Akram, Wiesław A. Dudek+1 more|arXiv (Cornell University)|May 25, 2013

Multi-Criteria Decision Making参考文献 22被引用数 31

ひとこと要約

本稿では、正負の所属度を有するシステムのモデリングを可能にする、$A$-tempered bipolar fuzzy hypergraphsを導入する。これは、$(\alpha,\beta)$-カットと双対ハイパーグラフを用いたデジタル画像処理におけるクラスタリングのフレームワークを提案し、クラスの強度を定量化し、複雑なクラスタリング問題を扱いやすい部分問題に分解できることを示している。

ABSTRACT

In this article, we apply the concept of bipolar fuzzy sets to hypergraphs and investigate some properties of bipolar fuzzy hypergraphs. We introduce the notion of $A-$ tempered bipolar fuzzy hypergraphs and present some of their properties. We also present application examples of bipolar fuzzy hypergraphs.

研究の動機と目的

• 正負の両方の関係をモデル化できるように、所属度が$[-1,1]$に属する二値型ファジィ集合を組み込んだ、ファジィハイパーグラフ理論の拡張を目的とする。
• 構造的性質が向上した、$A$-tempered bipolar fuzzy hypergraphsというハイパーグラフの新クラスを定義し、その分析を行う。
• 実世界の問題、例えばデジタル画像のクラスタリングや無線信号カバレッジのモデリングへのフレームワークの応用を目的とする。
• $(\alpha,\beta)$-カットから導かれるハイパーグラフの辺の強度測度を用いて、複雑なクラスタリング問題を分解する手法を開発する。
• 双対ハイパーグラフが、ファジィ分割における要素とクラスの関係を可視化・分析するのにどのように役立つかを示す。

提案手法

• 正の支援を表す所属関数$\mu^P \in (0,1]$と、負の支援を表す$\mu^N \in [-1,0)$を用いて、二値型ファジィハイパーグラフを定義する。
• 頂点間の正負の所属度がバランスを保つ条件を満たすことで、$A$-tempered bipolar fuzzy hypergraphsを導入する。
• $(\alpha,\beta)$-カットを用いて、二値型ファジィハイパーグラフをクリップスハイパーグラフに変換し、離散的解析を可能にする。
• ハイパーグラフの頂点とエッジの役割を逆転させるために、双対ハイパーグラフ$H^D$を構築し、クラスの結束性の分析を容易にする。
• エッジ強度$\eta(E_{j(\alpha,\beta)})$を、関連する頂点における正負の所属度の最小値として定義し、クラスの結束性を定量化する。
• インシデント行列を用いて、元のハイパーグラフおよび双対ハイパーグラフを表現し、パーティションの計算的・視覚的分析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 二値型ファジィハイパーグラフは、正負の両方の関係的情報を有するシステムをどのようにモデル化できるか？
• RQ2 $A$-tempered条項が二値型ファジィハイパーグラフに課す性質は何か？ また、構造的一致性をどのように向上させるか？
• RQ3 $(\alpha,\beta)$-カットは、実用的解析を可能にするために、二値型ファジィハイパーグラフからクリップスハイパーグラフを抽出するのにどのように利用できるか？
• RQ4 双対ハイパーグラフ表現は、ファジィパーティションにおける隠れたグループ化や構造的パターンをどのように明らかにするか？
• RQ5 $(\alpha,\beta)$-カットハイパーグラフにおけるエッジ強度は、強い独立クラスタを特定・分解するためにどのように利用できるか？

主な発見

• $(\alpha,\beta)$-カットハイパーグラフにおけるクラス$B_h(0.61,-0.03)$は、$\eta = (0.97,-0.03)$という最高の強度を示しており、最も結束しており独立したクラスタであると判明した。
• クラス$A_t(0.61,-0.03)$は$\eta = (0.96,-0.04)$の強度を示し、$B_h$よりわずかに弱く、結束性が低く他のクラスに依存していると考えられる。
• 双対ハイパーグラフ$H^D_{(0.61,-0.03)}$は明確に、要素$x_1, x_2, x_3$が$A_t$に、$x_4, x_5$が$B_h$にグループ化されていることを示しており、パーティション構造の妥当性を裏付けた。
• $(\alpha,\beta)$-カットハイパーグラフ$H_{(0.61,-0.03)}$はクリップスパーティションを生成し、$x_1, x_2, x_3$が$A_t$に、$x_4, x_5$が$B_h$に属することを確認した。
• 強度測度$\eta(E_{j(\alpha,\beta)})$は、クラスの結束性を定量化するための定量的手段を提供し、クラスタリング問題の階層的分解を可能にする。
• このフレームワークにより、最も強いクラス（$B_h$）をデータから除去でき、問題のサイズを縮小し、より小さなサブセットに対して反復的クラスタリングを実行できるようになった。