Resumen

La reducción de atributos paralela es uno de los temas más importantes en la investigación actual sobre la teoría de conjuntos aproximados. Aunque algunos algoritmos paralelos están bien documentados, la mayoría de ellos aún enfrentan desafíos para tratar de manera efectiva con datos heterogéneos complejos que incluyen atributos categóricos y numéricos. Con el objetivo de abordar este problema, se desarrolló un novedoso algoritmo de reducción de atributos basado en conjuntos aproximados de multigranulación de vecindario para procesar los datos heterogéneos masivos de forma paralela. Se propuso un método de paralelización basado en MapReduce para la reducción de atributos en el marco de conjuntos aproximados de multigranulación de vecindario. Para mejorar la eficiencia de la reducción, se diseñaron funciones de Map/Reduce de hash para acelerar el cálculo de la región positiva. Posteriormente, se desarrolló un algoritmo rápido de reducción de atributos paralelo utilizando MapReduce. La efectividad y superior

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Reducción de atributos; Algoritmos paralelos; Teoría de conjuntos aproximados; Datos complejos heterogéneos; Conjuntos aproximados de multigranulación de vecindario; Paralelización basada en MapReduce
• Keywords:Attribute reduction; Parallel algorithms; Rough set theory; Complex heterogeneous data; Neighborhood multigranulation rough sets; MapReduce-based parallelization