Emergences of computers and information technological revolution made tremendous changes in the real world and provides a different dimension for the intelligent data analysis. Well formed fact, the information at right time and at right place deploy a better knowledge.However, the challenge arises when larger volume of inconsistent data is given for decision making and knowledge extraction. To handle such imprecise data certain mathematical tools of greater importance has developed by researches in recent past namely fuzzy set, intuitionistic fuzzy set, rough Set, formal concept analysis and ordering rules. It is also observed that many information system contains numerical attribute values and therefore they are almost similar instead of exact similar. To handle such type of information system, in this paper we use two processes such as pre process and post process. In pre process we use rough set on intuitionistic fuzzy approximation space with ordering rules for finding the knowledge whereas in post process we use formal concept analysis to explore better knowledge and vital factors affecting decisions.
Ranking academic institutions on potential paper acceptance in upcoming conferences
Flytxt；Indian Institute of Technology, Delhi（德里印度理工学院）
2016年KDD杯的关键问题涉及开发数据采掘技术，以根据出版物对研究机构进行排名。研究机构的重要性排名来自于利用网络上的公共信息对即将到来的顶级会议可能接受的完整研究论文数量的预测。本文介绍了我们的KDD Cup 2016解决方案。我们使用了两步方法，首先识别与每个感兴趣的会议相对应的完整研究论文，然后训练指数平滑模型的两个变体来进行预测。我们的解决方案获得了0.7508的总分，而获胜的提交在总体结果中获得了0.7656的分数。
An Efficient and Accurate Rough Set for Feature Selection, Classification and Knowledge Representation
Chongqing Key Laboratory of Computational Intelligence, Chongqing University of Telecommunications and Posts（重庆邮电大学计算智能重庆市重点实验室）；National Engineering Laboratory for Algorithm and Analysis Technologiy on Big Data, Xi’an Jiaotong University（西安交通大学大数据算法与分析技术国家工程实验室）；University of California Riverside（加州大学河滨分校）
Court of Accounts of Brazil（巴西审计法院）；Federal University of Viçosa（维索萨联邦大学）；University of Brasilia（巴西利亚大学）；Brazilian Federal Court of Account’s Serzedello Corrêa Institute（巴西联邦审计法院塞泽德洛·科雷亚学院）；UFRGS（南里奥格兰德州联邦大学）；Institut National Polytechnique of Grenoble（格勒诺布尔国立理工学院）；Stanford University（斯坦福大学）；Institut National pour la Recherche en Informatique et Automatique（法国国家信息与自动化研究所）；University of Oxford（牛津大学）
Dominance-based Rough Set Approach, basic ideas and main trends
Poznan Supercomputing and Networking Center（波兹南超级计算与网络中心）；University of Catania（卡塔尼亚大学）；Portsmouth Business School（朴茨茅斯商学院）；Poznań University of Technology（波兹南工业大学）
A Fuzzy-Rough based Binary Shuffled Frog Leaping Algorithm for Feature Selection
Memorial University of Newfoundland（纽芬兰纪念大学）；University of Windsor（温莎大学）；Shahid Bahonar University of Kerman（克尔曼沙希德·巴霍纳尔大学）；Gwangju Institute of Science and Technology（光州科学技术院）
特征选择和属性约简是机器学习、数据采掘和模式识别领域中的关键问题，并且被广泛使用的技术通过选择特征的子集或去除不相关的特征来克服众所周知的Curse of Precisionality现象。本文提出了一种新的特征选择方法，有效地进行属性约简，从而选择数据集的信息量最大的特征。它由两个部分组成：1）一个功能子集评估的措施，和2）一个搜索策略。对于评价指标，我们采用了模糊粗糙依赖度（FRFDD）在基于下近似的模糊粗糙特征选择（L-FRFS），由于其有效性在特征选择。在搜索策略方面，提出了一种新的二进制混合蛙跳算法（B-SFLA）。将B-SFLA与FRDD相结合，得到了一种新的特征选择方法。非参数统计测试进行比较所提出的方法与现有的几种方法超过22个数据集，包括9个高维和大型的，从UCI存储库。实验结果表明，B-SFLA方法显着优于其他元启发式方法的选择功能的数量和分类精度。
