2019年四川省科学技术奖励提名项目公示科技进步奖

2019年四川省科学技术奖励提名项目公示

科技进步奖

一、项目名称：动态不确定性知识发现理论与方法

二、提名单位：四川省教育厅

提名意见：该项目围绕动态不确定性知识发现这一国际学术前沿中的重大科学问题开展研究，取得了具有重要创新性的基础研究成果：

1. 构建了基于粒计算的增量学习理论框架和方法体系，降低了数据快速增长时学习模型及算法对时间和空间的需求。

2. 设计了面向异构信息系统的粒化分析技术与近似计算模型，突破了传统近似计算方法的局限性。

3. 提出了数据体量大限制下的多粒度并行大规模知识获取方法，实现了海量动态数据的多粒度高效知识发现。

该项目研究得到多国院士和AAAI/AAAS/ACM/IEEE等学会Fellow以及多位重要期刊主编等国际同行的高度认可，并应邀在国际会议做大会报告二十余次，形成重要国际影响，有力推动了本学科及相关学科的发展。

我单位严格按照《2019年度四川省科学技术奖励提名工作手册》的相关规定，对推荐书内容及全部附件材料进行了严格审查，确认该成果符合相关规定的推荐资格条件，推荐材料全部属实，且未发现任何违反《中华人民共和国国家秘密法》和《科学技术保密规定》等相关法律法规及侵犯他人知识产权情形。

综上，提名该项目为四川省科技进步奖——自然科学类一等奖。

三、项目简介

如何从大数据中高效实时地发现有价值的知识具有重要的科学意义和应用价值，而大数据所呈现的体量巨大、多源异构、动态性和不确定性等特点使得知识发现理论与方法面临重大挑战，亟待发展新一代大数据知识发现技术，以突破现有成果的局限性。项目组在多个国家自然科学基金项目的持续资助下，历经十余年协同攻关，以粒计算理论为基础，以典型粗糙集模型为对象，以增量学习技术为手段，以云计算并行框架为支撑平台，在动态不确定性知识发现的理论与方法上取得了重大突破，获得了如下的重要科学发现。

1. 构建了基于粒计算的增量学习理论框架和方法体系，揭示了不确定性知识在多层次粒度空间中的单调性演化规律和动态关联

1

机理，提出了不依赖于全量数据的不确定性知识发现的增量计算理论与方法，降低了数据快速增长时学习模型及算法对时间和空间的需求。

2. 设计了面向异构信息系统的粒化分析技术与近似计算模型，提出了异类特征下样本间的混合距离集成度量方法，发现了面向异构数据的融合粒化与层次分析机理，刻画了通过矩阵方法实现粒化表达与运算的内在关系，建立了异构数据的模糊粒化结构生成模型，突破了传统近似计算的局限性。

3. 提出了数据体量大限制下的多粒度并行大规模知识获取方法，刻画了基于粒计算的数据分治、模型分治和知识融合机理，设计了高维数据特征选择的数据-模型并行计算框架，提出了基于云计算的大规模特征选择算法及其并行优化技术，构建了面向海量复杂数据的不确定性知识并行粗糙计算模型，实现了海量动态数据的多粒度高效知识发现。

8篇代表作发表在IEEE TKDE等本领域权威期刊上，SCI他引275次，总他引409次，施引刊物包括IEEE TKDE、IEEE TC、IEEE TFS和IEEE TSMC-S等。本项目成果被加拿大/波兰科学院W. Pedrycz院士（IEEE TSMC-S主编），欧洲科学院C.L.P. Chen外籍院士（IEEE TSMC-S主编），西班牙皇家工程院F. Herrera院士（IF主编），印度国家工程院U. Maulik院士，美国B. Liu教授（ACM SIGKDD前主席），加拿大Y. Yao教授（国际粗糙集学会前理事长），意大利D. Ciucci教授（国际粗糙集学会理事长），美国X. Wu 教授（IEEE TKDE原主编，KIS主编），澳大利亚C.T. Lin教授（IEEE TFS原主编）和日本F. Hamido教授（KBS主编）以及AAAI/AAAS/ACM/IEEE Fellow等学者的大量正面引用和采用。第一完成人应邀赴新加坡、波兰、泰国、中国台湾和澳门等地举办的国际学术会议上做大会报告20余次，指导学生获得2015年天池大数据“新浪微博互动预测大赛”冠军（奖金20万元），2016年国际人工智能联合会议竞赛“社会影响力分析”亚军和2018年AI全球挑战赛“AI天气预报挑战赛”亚军，形成重要国际影响。

四、客观评价

8篇代表作发表在IEEE TKDE等权威期刊上，SCI他引275次，总他引409次，其中论文4是ESI高被引论文、曾入选ESI热点论文，论文7曾入选ESI高被引论文。施引刊物包括IEEE TKDE，IEEE TFS，IEEE TC，IEEE TSMC-S等。成果被加拿大/波兰科学院W. Pedrycz院士（IEEE TSMC-S主编），欧洲科学院C.L.P. Chen外籍院士（IEEE TSMC-S主编），西班牙皇家工程院F. Herrera 院士（IF主编），印度国家工程院U. Maulik院士，美国B. Liu教授（ACM SIGKDD前主席），加拿大Y. Yao教授（国际粗糙集学会前理事长），意大利D. Ciucci教授（国际粗糙集学会理事长），美国X. Wu教授（IEEE TKDE原主编，KIS主编），澳大利亚C.T. Lin教授（IEEE TFS原主编）和日本F. Hamido教授（KBS主编）以及AAAI/AAAS/ACM/IEEE Fellow等学者的大量正面引用和采用。

[1] 欧洲科学院C.L.P. Chen外籍院士（AAAS/IEEE Fellow，IEEE TSMC-S主编）和美国X. Wu教授（AAAS/IEEE Fellow，IEEE TKDE

2

原主编，KIS主编）在代表性引文1中，将代表性论文1的近似集动态更新工作与特征选择、维数约简、噪声处理和多粒度分析等同列为当前数据挖掘和知识发现研究的重要进展。

注：文献[8]为代表性论文1。

[2] 西班牙皇家工程院F. Herrera院士（IFSA Fellow，Information Fusion主编）在代表性引文2中，将在代表性论文2中提出的决策规则提取方法与经典朴素贝叶斯分类器并列为当前处理符号型数据挖掘的典型机器学习算法。

注：文献[5]为代表性论文2。

[3] 加拿大皇家科学院W. Pedrycz院士（IEEE/IFSA Fellow，IEEE TSMC-S主编）在代表性引文3中，大篇幅引用完成人的研究工作，称代表性论文3，5设计了面向大规模不确定复杂数据的若干高效并行挖掘算法，代表性论文1，6从多个角度提出了增量式动态更新知识方法。

3