将粗糙集拓展为可度量不确定性的粗粒本体论，提升机器学习建模能力

Machine Learning via rough mereology

• 提出粗粒本体论（RM），在粗糙集基础上引入不确定性量化机制
• 通过度量不确定性增强模型对模糊数据的处理能力，适用于复杂决策场景
• 适合关注不确定推理与知识表示的研究者

粗糙集（RS）已在机器学习与人工智能多个领域取得成功。本文将粗糙集拓展为粗粒本体论（RM），为相关领域提供可度量的不确定性分析框架。该方法不仅保留了粗糙集的近似表达能力，还引入了不确定性程度的定量刻画，使模型能更精确地处理不完整或模糊信息，在知识发现、分类与决策支持等任务中具有潜在优势。

原文摘要 · Abstract (English)

Rough sets (RS)proved a thriving realm with successes inn many fields of ML and AI. In this note, we expand RS to RM - rough mereology which provides a measurable degree of uncertainty to those areas.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。