論文の概要: Zadeh's Type-2 Fuzzy Logic Systems: Precision and High-Quality Prediction Intervals

• arxiv url: http://arxiv.org/abs/2404.12800v1
• Date: Fri, 19 Apr 2024 11:29:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 15:16:46.778628
• Title: Zadeh's Type-2 Fuzzy Logic Systems: Precision and High-Quality Prediction Intervals
• Title（参考訳）: Zadehの2型ファジィ論理系:精度と高精度予測間隔
• Authors: Yusuf Guven, Ata Koklu, Tufan Kumbasar,
• Abstract要約: General Type-2 (GT2) Fuzzy Logic Systems (FLS) は不確実性の定量化に最適な候補である。 信頼性の高い高品質予測区間(HQ-PI)を実現することができるGT2-FLSを精度良く学習する。 高性能なデュアルフォーカスZ-GT2-FLSを学習するためのDLフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 2.526146573337397
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: General Type-2 (GT2) Fuzzy Logic Systems (FLSs) are perfect candidates to quantify uncertainty, which is crucial for informed decisions in high-risk tasks, as they are powerful tools in representing uncertainty. In this paper, we travel back in time to provide a new look at GT2-FLSs by adopting Zadeh's (Z) GT2 Fuzzy Set (FS) definition, intending to learn GT2-FLSs that are capable of achieving reliable High-Quality Prediction Intervals (HQ-PI) alongside precision. By integrating Z-GT2-FS with the \(\alpha\)-plane representation, we show that the design flexibility of GT2-FLS is increased as it takes away the dependency of the secondary membership function from the primary membership function. After detailing the construction of Z-GT2-FLSs, we provide solutions to challenges while learning from high-dimensional data: the curse of dimensionality, and integrating Deep Learning (DL) optimizers. We develop a DL framework for learning dual-focused Z-GT2-FLSs with high performances. Our study includes statistical analyses, highlighting that the Z-GT2-FLS not only exhibits high-precision performance but also produces HQ-PIs in comparison to its GT2 and IT2 fuzzy counterparts which have more learnable parameters. The results show that the Z-GT2-FLS has a huge potential in uncertainty quantification.
• Abstract（参考訳）: General Type-2 (GT2) Fuzzy Logic Systems (FLSs) は、不確実性を表す強力なツールであるため、リスクの高いタスクにおける情報決定に不可欠である不確実性を定量化するのに最適な候補である。 本稿では,Zadeh (Z) GT2 Fuzzy Set (FS) の定義を採用し,信頼性の高い高品質予測区間(HQ-PI)の実現が可能な GT2-FLS を精度良く学習することを目的として,GT2-FLS を新たに検討する。 Z-GT2-FS と \(\alpha\)-平面表現を統合することにより、GT2-FLS の設計柔軟性が向上することを示す。 Z-GT2-FLSの構成を詳細に説明した後、高次元データから学習しながら課題に対する解決策を提供する。 高性能なデュアルフォーカスZ-GT2-FLSを学習するためのDLフレームワークを開発した。 本研究は,Z-GT2-FLSが高精度性能を示すだけでなく,より学習可能なパラメータを持つGT2やIT2ファジィに比べてHQ-PIを生成することを明らかにする統計分析を含む。 その結果、Z-GT2-FLSは不確実な定量化において大きなポテンシャルを持つことが示された。

関連論文リスト

• How Feature Learning Can Improve Neural Scaling Laws [86.9540615081759]
  我々は,カーネル限界を超えたニューラルスケーリング法則の解法モデルを開発する。 モデルのサイズ、トレーニング時間、利用可能なデータの総量によるパフォーマンスのスケールアップ方法を示す。
  論文  参考訳（メタデータ） (2024-09-26T14:05:32Z)
• PSLF: A PID Controller-incorporated Second-order Latent Factor Analysis Model for Recommender System [11.650076383080526]
  2次ベースHDIモデル(SLF)解析はグラフ学習において特に高次および不完全因子データレートにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-31T13:01:58Z)
• 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
  我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。 学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-07-08T17:59:54Z)
• Enhancing Interval Type-2 Fuzzy Logic Systems: Learning for Precision and Prediction Intervals [2.526146573337397]
  高リスクシナリオにおける予測区間(PI)生成の課題に,インターバルタイプ2(IT2)ファジィ論理系(FLS)の学習のための拡張を提案する。 まず,KM(Karnik Takagi-Mendel)とNT(Nie-Tan)に設計の柔軟性を付加し,PI生成の柔軟性を向上させる。 大規模学習課題に対処するため,IT2-FLSの制約をパラメータ化トリックによって非制約形式に変換する。
  論文  参考訳（メタデータ） (2024-04-19T11:37:51Z)
• Efficient Learning of Fuzzy Logic Systems for Large-Scale Data Using Deep Learning [2.526146573337397]
  本稿では,FLSの学習問題に着目し,深層学習(DL)領域に埋め込まれた計算効率の高い学習手法を提案する。 提案手法は、FLSの効率的な実装を活用することにより、FLSの学習課題に対処し、トレーニング時間を最小化する。 ベンチマークデータセット上で、FLSのためのDLフレームワークの効率について説明する。
  論文  参考訳（メタデータ） (2024-04-19T11:09:55Z)
• FedSDG-FS: Efficient and Secure Feature Selection for Vertical Federated Learning [21.79965380400454]
  Vertical Learning(VFL)は、複数のデータオーナに対して、大きな重複するデータサンプルセットに関する機能のサブセットをそれぞれ保持して、有用なグローバルモデルを共同でトレーニングすることを可能にする。 VFLのために設計された既存のFSは、ノイズの多い特徴の数について事前知識を仮定するか、有用な特徴の訓練後のしきい値について事前知識を仮定する。 本稿では,FedSDG-FS(Federated Dual-Gate Based Feature Selection)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:09:45Z)
• FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Package for Federated Graph Learning [65.48760613529033]
  フェデレートグラフ学習(FGL)は、その特徴と要求のため、十分にサポートされていない。 まず、使い易いFGLパッケージを作成する際の課題について議論し、実装済みのFederatedScope-GNN(FS-G)を提示する。 我々は,FS-Gの有効性を広範囲な実験によって検証し,同時にコミュニティにとってのFGLに関する貴重な洞察を得る。
  論文  参考訳（メタデータ） (2022-04-12T06:48:06Z)
• Symbolic Learning to Optimize: Towards Interpretability and Scalability [113.23813868412954]
  近年のL2O(Learning to Optimize)研究は,複雑なタスクに対する最適化手順の自動化と高速化に期待できる道のりを示唆している。 既存のL2Oモデルは、ニューラルネットワークによる最適化ルールをパラメータ化し、メタトレーニングを通じてそれらの数値ルールを学ぶ。 本稿では,L2Oの総合的な記号表現と解析の枠組みを確立する。 そこで本稿では,大規模問題にメタトレーニングを施す軽量なL2Oモデルを提案する。
  論文  参考訳（メタデータ） (2022-03-13T06:04:25Z)
• A Strong Baseline for Semi-Supervised Incremental Few-Shot Learning [54.617688468341704]
  少ないショット学習は、限られたトレーニングサンプルを持つ新しいクラスに一般化するモデルを学ぶことを目的としている。 本研究では,(1)信頼できない擬似ラベルによる基本クラスと新クラスのあいまいさを緩和する高度に設計されたメタトレーニングアルゴリズム,(2)ラベルの少ないデータとラベルなしデータを用いて基礎知識を保ちながら,新クラスの識別的特徴を学習するモデル適応機構を提案する。
  論文  参考訳（メタデータ） (2021-10-21T13:25:52Z)
• IronMan: GNN-assisted Design Space Exploration in High-Level Synthesis via Reinforcement Learning [16.22144875007084]
  本稿では,設計空間のフレキシブルかつ自動探索を実現するためのエンドツーエンドフレームワークであるironmanを提案する。 主な目標は、ユーザー指定の制約、または異なる目的間のさまざまなトレードオフの下で最適なソリューションを可能にすることです。 IronManは、さまざまなDSP制約に完全に適合するソリューションを見つけることができ、DSPは2.54倍、HLSツールの最大6倍のレイテンシを持つ。
  論文  参考訳（メタデータ） (2021-02-16T13:22:00Z)
• High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
  本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。 各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。 合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-12-17T23:21:53Z)

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。