論文の概要: Crisp complexity of fuzzy classifiers

• arxiv url: http://arxiv.org/abs/2504.15791v1
• Date: Tue, 22 Apr 2025 11:06:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 20:52:31.21755
• Title: Crisp complexity of fuzzy classifiers
• Title（参考訳）: ファジィ分類器のクリップ複雑性
• Authors: Raquel Fernandez-Peralta, Javier Fumanal-Idocin, Javier Andreu-Perez,
• Abstract要約: 我々は、異なる可能なクリップ記述を研究し、それらを得るアルゴリズムを実装した。 我々の結果はファジィと非ファジィの両方の実践者が、ファジィルールベースが機能空間を分割する方法をよりよく理解するのに役立ちます。
• 参考スコア（独自算出の注目度）: 0.7874708385247353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rule-based systems are a very popular form of explainable AI, particularly in the fuzzy community, where fuzzy rules are widely used for control and classification problems. However, fuzzy rule-based classifiers struggle to reach bigger traction outside of fuzzy venues, because users sometimes do not know about fuzzy and because fuzzy partitions are not so easy to interpret in some situations. In this work, we propose a methodology to reduce fuzzy rule-based classifiers to crisp rule-based classifiers. We study different possible crisp descriptions and implement an algorithm to obtain them. Also, we analyze the complexity of the resulting crisp classifiers. We believe that our results can help both fuzzy and non-fuzzy practitioners understand better the way in which fuzzy rule bases partition the feature space and how easily one system can be translated to another and vice versa. Our complexity metric can also help to choose between different fuzzy classifiers based on what the equivalent crisp partitions look like.
• Abstract（参考訳）: ルールベースのシステムは、特にファジィなコミュニティにおいて、制御や分類問題にファジィなルールが広く使われている、説明可能なAIの非常に一般的な形式である。 しかし、ファジィルールに基づく分類器は、ファジィな会場以外では、ユーザーがファジィを知らない場合や、ファジィなパーティションが容易に解釈できない場合が多いため、より大きなトラクションに達するのに苦労する。 本研究では,ファジィルールベース分類器をクリップルールベース分類器に還元する手法を提案する。 我々は、異なる可能なクリップ記述を研究し、それらを得るアルゴリズムを実装した。 また、結果のcrisp分類器の複雑さも解析する。 我々の結果はファジィと非ファジィの両方の実践者が、ファジィルールベースが特徴空間を分割し、あるシステムがいかに簡単に他のシステムに変換できるかをよりよく理解するのに役立ちます。 私たちの複雑性メトリックは、同等のcrispパーティションがどのようなものかに基づいて、異なるファジィ分類器を選択するのにも役立ちます。

関連論文リスト

• Studying Classifier(-Free) Guidance From a Classifier-Centric Perspective [100.54185280153753]
  分類器なし誘導と分類器なし誘導の両方が,微分拡散軌道を決定境界から遠ざけることによって条件付き生成を実現することがわかった。 本研究では,フローマッチングをベースとした汎用的な後処理ステップを提案し,事前学習した復調拡散モデルに対する学習分布と実データ分布とのギャップを小さくする。
  論文  参考訳（メタデータ） (2025-03-13T17:59:59Z)
• Compact Rule-Based Classifier Learning via Gradient Descent [0.7874708385247353]
  透明性と説明責任のある意思決定を必要とするシナリオにおいて、ルールベースのモデルは重要な役割を果たす。 そこで本研究では,規則の最大数と長さをユーザが制御できる,勾配降下法を用いて学習した新しいルールベース分類器を提案する。 数値的なパーティションの場合、ユーザはファジィセットで使用されるパーティションを制御できる。
  論文  参考訳（メタデータ） (2025-02-03T14:13:39Z)
• Bidirectional Logits Tree: Pursuing Granularity Reconcilement in Fine-Grained Classification [89.20477310885731]
  本稿では,粒度分類タスクにおけるグラニュラリティコンペティションの課題について述べる。 既存のアプローチは通常、共通のベースエンコーダから抽出された共有特徴に基づいて、独立した階層認識モデルを開発する。 グラニュラリティ再構成のための双方向ロジットツリー(BiLT)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T10:42:19Z)
• RuleExplorer: A Scalable Matrix Visualization for Understanding Tree Ensemble Classifiers [20.416696003269674]
  本稿では,数万のルールを含む木アンサンブル分類法を説明するために,拡張性のある視覚解析手法を提案する。 我々は,これらのルールを階層レベルで優先順位付けするための,異常バイアスモデル削減手法を開発した。 本手法は,共通ルールと異常ルールの両方を深く理解し,包括性を犠牲にすることなく解釈性を向上させる。
  論文  参考訳（メタデータ） (2024-09-05T01:48:11Z)
• Understanding and Mitigating Classification Errors Through Interpretable Token Patterns [58.91023283103762]
  容易に解釈可能な用語でエラーを特徴付けることは、分類器が体系的なエラーを起こす傾向にあるかどうかを洞察する。 正しい予測と誤予測を区別するトークンのパターンを発見することを提案する。 提案手法であるPremiseが実際によく動作することを示す。
  論文  参考訳（メタデータ） (2023-11-18T00:24:26Z)
• Efficient learning of large sets of locally optimal classification rules [0.0]
  従来のルール学習アルゴリズムは、単純なルールの集合を見つけることを目的としており、各ルールは可能な限り多くの例をカバーする。 本稿では、この方法で発見されたルールは、それらがカバーする例のそれぞれに対して最適な説明ではないかもしれないと論じる。 本稿では,1つの特殊化ループと1つの一般化ループからなるグリーディ最適化において,各トレーニング例をカバーする最良のルールを見つけることを目的とした,効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-24T11:40:28Z)
• On the Complexity of Representation Learning in Contextual Linear Bandits [110.84649234726442]
  表現学習は線形帯域よりも根本的に複雑であることを示す。 特に、与えられた表現の集合で学ぶことは、その集合の中で最悪の実現可能な表現で学ぶことよりも決して単純ではない。
  論文  参考訳（メタデータ） (2022-12-19T13:08:58Z)
• Concise and interpretable multi-label rule sets [13.416159628299779]
  簡単な「if-then」ルールの簡潔な集合として表現できるマルチラベル分類器を開発した。 提案手法は, 正確なマルチラベル分類に繋がる, 関連パターンの小さな集合を見つけることができる。
  論文  参考訳（メタデータ） (2022-10-04T11:23:50Z)
• Bayes Point Rule Set Learning [5.065947993017157]
  解釈可能性は、機械学習アルゴリズムの設計においてますます重要な役割を担っている。 可分正規形式は、規則の集合を表現する最も解釈可能な方法である。 本稿では、DNF型ルールセットを学習するために、FIND-Sアルゴリズムの効果的なボトムアップ拡張を提案する。
  論文  参考訳（メタデータ） (2022-04-11T16:50:41Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。