人类智能的一个公认特点, 是人们能将复杂的问题分解成不同层次的多个子问题，从不同的层次上观察和分析同一问题，并能够很快地从一个层次跳转到另一个层次, 往返自如, 毫无困难，并最终选择合适的解决方案，这种能力是人类求解问题的强有力表现。粒计算正是模拟了人类这种思维特征，将数据首先进行粒化，通过不同程度的抽象化处理，得到多层次多语义的信息粒，并最终构成内涵丰富的信息框架，提供一个急需的概念与算法的环境。对于不同的实际问题，粒计算为问题求解提供了丰富的选择空间，我们可以关注不同的粒特征，在结果的精度、价值、可解释性、稳定性等多方面进行权衡，选择合适的层次，得到合理的知识表示。在解决特定问题时则可忽略不必要和不相关的细节, 只关注适当层次, 从而简化了问题的求解。

      信息粒可视为人们将现有的知识和可获得的证据组织起来，形成一个有意义、语义健全的实体系统。它具有易于理解的结构，在人类认识和决策过程中扮演着关键角色。在人工智能领域，信息的粒化是问题求解的核心，即将问题进行分解，形成多个子问题，以便分而治之。

      粒计算包含了丰富的概念和方法，如图、信息表、映射、知识表示、微观/宏观模型，关联发现与数据挖掘，聚类与规则聚类，分类等，并广泛应用于时间序列分析、预测、制造、概念学习、感知、优化、信用评级和芯片数据分析等多种任务中。

      Pedrycz教授指出：（1）信息粒是知识表示与处理的关键组成部分；（2）信息粒的粒化水平（即信息粒的大小）是问题描述和问题解决全局策略的关键；（3）信息粒构成的多层次结构支持现象感知的一个重要特征，即在处理复杂问题时，可灵活地选择某个层次，只关注问题最核心的方面；（4）不存在一个通用的信息粒化水平，粒的大小由问题的特征和用户的喜好而决定。粒计算的思想在不同的理论框架中都得到了很好的发展，主要包括集合论、模糊集、粗糙集等。

     信息粒的构造是粒计算的关键，主要从五个方面介绍了信息粒的形成方法与主要特点。（1）聚类是从数据到信息粒的主要途径；（2）合理粒度的原则，引入覆盖度和特异度的概念及其形式化定义用于评价粒度的合理性；（3）信息粒的符号视角及其符号表征，我们可将一个信息粒视为一个符号，忽略其数字细节，并在后续处理中采用符号的形式进行计算，这在人工智能中也有广泛应用；（4）粒计算在时空数据中的探索；（5）粒原型的建立。

     最后，讨论了分布式数据分析与建模的两种主要方法——主动聚合机制与被动聚合机制。

从数值型数据到粒模型建立的范式转换流程

译：杨田

W. Pedrycz,“Granular computing for data analytics: a manifesto of human-centric computing”, IEEE/CAA J. of Autom. Sinica, vol. 5, no. 6, pp. 1025-1034, Nov. 2018.

Granular computing for data analytics: a manifesto of human-centric computing

Witold Pedrycz, 加拿大阿尔伯塔大学教授，加拿大计算智能研究中心首席科学家，加拿大皇家科学院院士、波兰科学院外籍院士，波兰华沙科学院系统研究所主任、英国诺丁汉大学计算机科学学院特聘教授，IEEE Fellow, IFSA（国际模糊系统协会）Fellow，长期从事计算智能、模糊系统及数据挖掘等相关领域研究，发表SCI学术论文500余篇，出版专著近20部，h指数为 99。历任IFSA主席和北美模糊信息处理协会（NAFIPS）会长；担任 Information Sciences, Granular Computing等期刊主编、IEEE Transactions on Fuzzy Systems, IEEE Computational Intelligence Magazine, Pattern Recognition Letters等期刊副主编/编委；获IEEE SMCS协会颁发的最高技术成就奖IEEE Norbert Wiener Award（2007年）、IEEE加拿大计算机工程勋章（2008年）、Soft Computing领域国际最高奖Cajastur Prize（2009年）、加拿大皇家科学学会最高奖Killam奖（2013年）等。