该研究解决了传统机器学习分类器在实际应用中过于自信且不可靠的问题。通过结合符合学习与区间型2模糊集，提出了一种新方法，能够提高分类系统的预测可靠性和输出质量。研究结果表明，该方法相比于常用的贝叶斯方法和模糊规则，显著提升了预测质量及自适应调整能力，对实际应用具有重要影响。

本文探讨了分布式鲁棒优化（DRO）在交叉事实风险最小化（CRM）中的应用，提出了基于Kullback-Leibler马氏距离的新鲁棒对策反目标。研究表明，DRO在处理不确定性方面具有显著优势，并通过多种算法和实验验证了其有效性，提升了机器学习的性能和稳定性。

我们提出了一种新颖的 $Q$-learning 算法，用于解决分布鲁棒性马尔可夫决策问题，其中概率测度的不确定性集可以任意选择，只要它仅包含有限数量的测度。因此，我们的方法超越了关于以球为基准测度的不确定性集的研究案例，距离基准测度的距离可以根据 Wasserstein 距离或 Kullback-Leibler...

该论文研究了粒计算中的模糊集通过粒状表示集合的逼近方法，并提出了不相交和相邻粒子的定义。针对二元分类问题，利用新概念分离决策区域并覆盖属性空间。对于多类分类问题，定义了多类粒状逼近，并介绍了高效计算Łukasiewicz模糊联结的多类粒状逼近的方法。