論文の概要: UNFIS: A Novel Neuro-Fuzzy Inference System with Unstructured Fuzzy
Rules for Classification
- arxiv url: http://arxiv.org/abs/2211.00599v1
- Date: Fri, 28 Oct 2022 17:51:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 13:15:25.254010
- Title: UNFIS: A Novel Neuro-Fuzzy Inference System with Unstructured Fuzzy
Rules for Classification
- Title（参考訳）: UNFIS:非構造ファジィ規則を用いた新しいニューロファジィ推論システム
- Authors: Armin Salimi-Badr
- Abstract要約: 本稿では,分類応用のための神経ファジィ推論システムを提案する。
各ファジィルールを構成するために、異なる入力変数のセットを選択することができる。
構造のないファジィからなる同義的な構造で、より良く、または非常に近い性能を持つ。
- 参考スコア（独自算出の注目度）: 1.0660480034605238
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: An important constraint of Fuzzy Inference Systems (FIS) is their structured
rules defined based on evaluating all input variables. Indeed, the length of
all fuzzy rules and the number of input variables are equal. However, in many
decision-making problems evaluating some conditions on a limited set of input
variables is sufficient to decide properly (unstructured rules). Therefore,
this constraint limits the performance, generalization, and interpretability of
the FIS. To address this issue, this paper presents a neuro-fuzzy inference
system for classification applications that can select different sets of input
variables for constructing each fuzzy rule. To realize this capability, a new
fuzzy selector neuron with an adaptive parameter is proposed that can select
input variables in the antecedent part of each fuzzy rule. Moreover, in this
paper, the consequent part of the Takagi-Sugeno-Kang FIS is also changed
properly to consider only the selected set of input variables. To learn the
parameters of the proposed architecture, a trust-region-based learning method
(General quasi-Levenberg-Marquardt (GqLM)) is proposed to minimize
cross-entropy in multiclass problems. The performance of the proposed method is
compared with some related previous approaches in some real-world
classification problems. Based on these comparisons the proposed method has
better or very close performance with a parsimonious structure consisting of
unstructured fuzzy.
- Abstract（参考訳）: ファジィ推論システム(FIS)の重要な制約は、全ての入力変数の評価に基づいて定義された規則である。
実際、すべてのファジィルールの長さと入力変数の数は等しい。
しかし、入力変数の限られたセットの条件を評価する多くの意思決定問題では、適切に決定するには十分である(非構造化ルール)。
したがって、この制約はFISの性能、一般化、解釈可能性を制限する。
そこで本研究では,各ファジィルールを構成するために,異なる入力変数を選択可能な分類用ニューロファジィ推論システムを提案する。
この機能を実現するために,各ファジィルールの先行部において入力変数を選択できる適応パラメータを持つ新しいファジィセレクタニューロンを提案する。
また,本論文では,入力変数の集合のみを考えるために,高木・菅野・江FISの連続部分も適切に変更する。
提案アーキテクチャのパラメータを学習するために,マルチクラス問題におけるクロスエントロピーを最小限に抑えるため,信頼領域に基づく学習手法(General quasi-Levenberg-Marquardt (GqLM))を提案する。
提案手法の性能は,いくつかの実世界の分類問題における先行手法と比較される。
これらの比較結果に基づき, 提案手法は非構造ファジィからなる擬似構造を用いて, より良く, 非常に近い性能を示す。
関連論文リスト
- Winning Prize Comes from Losing Tickets: Improve Invariant Learning by
Exploring Variant Parameters for Out-of-Distribution Generalization [76.27711056914168]
Out-of-Distribution (OOD) 一般化は、分散固有の特徴に適合することなく、様々な環境によく適応する堅牢なモデルを学ぶことを目的としている。
LTH(Lottery Ticket hypothesis)に基づく最近の研究は、学習目標を最小化し、タスクに重要なパラメータのいくつかを見つけることでこの問題に対処している。
Invariant Learning (EVIL) における変数探索手法を提案する。
論文 参考訳（メタデータ） (2023-10-25T06:10:57Z) - LEURN: Learning Explainable Univariate Rules with Neural Networks [0.0]
LEURNは、一変量決定ルールを学ぶニューラルネットワークアーキテクチャである。
LEURNは、分類と回帰問題のための30のデータセットにわたる最先端のメソッドに匹敵するパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-03-27T06:34:42Z) - Unsupervised Learning of Initialization in Deep Neural Networks via
Maximum Mean Discrepancy [74.34895342081407]
本稿では,入力データに対する優れた初期化を求めるための教師なしアルゴリズムを提案する。
まず、パラメータ空間における各パラメータ構成が、d-way分類の特定の下流タスクに対応することに気付く。
次に、学習の成功は、初期パラメータの近傍で下流タスクがいかに多様であるかに直接関連していると推測する。
論文 参考訳（メタデータ） (2023-02-08T23:23:28Z) - FEDNEST: Federated Bilevel, Minimax, and Compositional Optimization [53.78643974257301]
多くの現代のML問題は、ミニマックスと合成最適化を仮定したネストされた双レベルプログラミングに該当する。
我々は、一般的なネスト問題に対処するフェデレーション付き交互勾配法を提案する。
論文 参考訳（メタデータ） (2022-05-04T17:48:55Z) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳（メタデータ） (2021-11-26T06:33:29Z) - IT2CFNN: An Interval Type-2 Correlation-Aware Fuzzy Neural Network to
Construct Non-Separable Fuzzy Rules with Uncertain and Adaptive Shapes for
Nonlinear Function Approximation [1.599072005190786]
適応形状を持つ非分離型ファジィ規則を構築できる新しいインターバル型2ファジィニューラルネットワークを提案する。
提案手法は実世界の時系列予測,回帰問題,非線形システム同定に適用可能である。
論文 参考訳（メタデータ） (2021-08-11T13:00:13Z) - Modularity in Reinforcement Learning via Algorithmic Independence in
Credit Assignment [79.5678820246642]
提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。
我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
論文 参考訳（メタデータ） (2021-06-28T21:29:13Z) - Rule Generation for Classification: Scalability, Interpretability, and Fairness [0.0]
制約付き分類のためのルールベースの新しい最適化手法を提案する。
ルールにコスト係数を割り当て、追加制約を導入することにより、解釈可能性と公正性に対処する。
提案手法は,一方の局所的解釈可能性と他方の正当性,他方の精度との間に良好な妥協関係を示す。
論文 参考訳（メタデータ） (2021-04-21T20:31:28Z) - Greedy Search Algorithms for Unsupervised Variable Selection: A
Comparative Study [3.4888132404740797]
本稿では,非監視変数選択に基づく次元還元について述べる。
本稿では,7つの非監視勾配変数選択アルゴリズムの臨界評価について述べる。
本稿では,FSCA(Forward selection component analysis)アルゴリズムで説明された分散の遅延実装を初めて導入し,評価する。
論文 参考訳（メタデータ） (2021-03-03T21:10:26Z) - Backpropagation-Free Learning Method for Correlated Fuzzy Neural
Networks [2.1320960069210475]
本稿では,所望の前提部品の出力を推定し,段階的に学習する手法を提案する。
前提部品のパラメータを学習するために出力エラーをバックプロパゲートする必要はない。
実世界の時系列予測と回帰問題に適用できる。
論文 参考訳（メタデータ） (2020-11-25T20:56:05Z) - An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
データから制約をマイニングするための一般的なフレームワークを提案する。
特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。
提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
論文 参考訳（メタデータ） (2020-06-18T20:09:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。