BiFuG2-Spark: 双方向ファジーグラニュラーキャビン並列属性削減アクセラレーターとグラニュラーグループコラボレーション

ビッグデータの時代において、データは前例のない速度で収集、保存され、分析されています。データの量、多様性、複雑性の制限により、従来のデータ削減技術では冗長属性を効果的に削除し、データの不確実性を低減することができません。この論文では、グラニュラーグループコラボレーションを伴う双方向ファジーグラニュラーキャビン並列属性削減アクセラレーターを提案します。まず、Sparkのインメモリーコンピューティング技術を使用して、データセットを異なるサブセットに分割し、分散並列加速を実現します。次に、仮想サンプルを用いて新しい双方向ファジーグラニュラーキャビンモデルを構築し、ファジー近傍クエリ空間を大幅に圧縮します。その後、提案されたグラニュラーキャビンと属性グループを融合させたグラニュラーグループコラボレーション属性削減法を検討し、類似性の概念を用いて属性を異なる属性グループに分割し、属性評価の反復回数を減少させます。最後に、サブノードの削減結果をマスターノードに集約し、ランキング結果を評価し、属性削減の分類精度が向上することを示します。この論文は、6つの大規模データセットを含む18の公的データセットに関する実験を提示します。実験結果は、提案した方法が計算コストを削減するだけでなく、削減されたサブセットの分類精度を向上させることを示しています。