凸粒覆盖模型

分类精度更高

通过洋葱剥皮策略生成树结构信息粒，以更少的粒实现更高依赖度，并超越多种主流分类器。

Zhuo, Long · 蔡明杰 · 李庆国 · Li, Yizhu · Wanting, Cai

Engineering Applications of Artificial Intelligence 2023

技术优势

用更少粒达到更高依赖

CrossSift 生成的信息粒，在依赖度相同的条件下数量比等宽/等频区间、δ-邻域和 k 最近邻更少，能直接降低后续规则提取与计算的规模。

分类排名领先

在分类精度平均排名上，CrossSift 输出的树表现优于 SVC、KNN、AdaBoost、Cart 和 LDA 五种经典分类器，可作为更优的基分类器选择。

颗粒形状不规则但可解释

CrossSift 生成的是数据驱动的凸信息粒，形状和大小可变；每一层剥离都对应一个可解释的决策边界，而不是黑箱映射。

应用场景

• 数据挖掘：用于高维数据中快速提取区分性规则的预处理步骤，减少规则生成的计算开销。
• 模式识别：作为模式分类的基分类器或特征构造器，在精度和可解释性间取得平衡。
• 计算机视觉：用凸粒表示图像局部区域，在图像分割和目标识别中替代手工特征描述子。