論文の概要: Fuzzy-UCS Revisited: Self-Adaptation of Rule Representations in Michigan-Style Learning Fuzzy-Classifier Systems

• arxiv url: http://arxiv.org/abs/2505.06017v1
• Date: Fri, 09 May 2025 12:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.266847
• Title: Fuzzy-UCS Revisited: Self-Adaptation of Rule Representations in Michigan-Style Learning Fuzzy-Classifier Systems
• Title（参考訳）: ファジィUCS再考:ミシガンスタイル学習ファジィ分類システムにおけるルール表現の自己適応
• Authors: Hiroki Shiraishi, Yohei Hayamizu, Tomonori Hashiyama,
• Abstract要約: 本稿では,LFCS(Learning Fuzzy-Classifier Systems)におけるルール表現が,その分類性能に与える影響に焦点を当てる。 自己適応型ルール表現機構を持つ教師付きLFCS(Adaptive-UCS)を提案する。 実験の結果、Adaptive-UCSは従来の超長方形およびファジィ・超長方形規則表現で他のUCSよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focuses on the impact of rule representation in Michigan-style Learning Fuzzy-Classifier Systems (LFCSs) on its classification performance. A well-representation of the rules in an LFCS is crucial for improving its performance. However, conventional rule representations frequently need help addressing problems with unknown data characteristics. To address this issue, this paper proposes a supervised LFCS (i.e., Fuzzy-UCS) with a self-adaptive rule representation mechanism, entitled Adaptive-UCS. Adaptive-UCS incorporates a fuzzy indicator as a new rule parameter that sets the membership function of a rule as either rectangular (i.e., crisp) or triangular (i.e., fuzzy) shapes. The fuzzy indicator is optimized with evolutionary operators, allowing the system to search for an optimal rule representation. Results from extensive experiments conducted on continuous space problems demonstrate that Adaptive-UCS outperforms other UCSs with conventional crisp-hyperrectangular and fuzzy-hypertrapezoidal rule representations in classification accuracy. Additionally, Adaptive-UCS exhibits robustness in the case of noisy inputs and real-world problems with inherent uncertainty, such as missing values, leading to stable classification performance.
• Abstract（参考訳）: 本稿では,ミシガンスタイルの学習ファジィ分類システム(LFCS)におけるルール表現が,その分類性能に与える影響に焦点を当てる。 LFCSにおける規則の表現は、その性能を改善するために不可欠である。 しかし、従来のルール表現は、未知のデータ特性の問題を解決するのに役立つことが多い。 本稿では,自己適応型ルール表現機構を持つLFCS(Fuzzy-UCS)を提案する。 Adaptive-UCSはファジィ指標を新しい規則パラメータとして組み込み、規則の会員関数を長方形 (crisp) または三角形 (fuzzy) の形に設定する。 ファジィインジケータは進化演算子によって最適化され、システムは最適な規則表現を探索できる。 連続空間問題に対する広範な実験の結果、Adaptive-UCSは従来の超直方形およびファジィ・ハイパーヘルペゾイドの規則表現を分類精度で他のUCSよりも優れていることが示された。 さらに、Adaptive-UCSはノイズの多い入力や、欠落値などの固有の不確実性のある実世界の問題に対して堅牢性を示し、安定した分類性能をもたらす。

関連論文リスト

• RAU: Towards Regularized Alignment and Uniformity for Representation Learning in Recommendation [7.193305599721105]
  スパースアライメントや不均一な均一性問題に対処するために、正規化アライメントと統一性(RAU)を提案する。 RAUはアライメントと統一性のための2つの新しい正規化手法で構成され、より良いユーザ/イテム表現を学習する。
  論文  参考訳（メタデータ） (2025-03-24T03:03:21Z)
• Adaptive Hierarchical Certification for Segmentation using Randomized Smoothing [87.48628403354351]
  機械学習の認証は、特定の条件下では、敵対的なサンプルが特定の範囲内でモデルを回避できないことを証明している。 セグメンテーションの一般的な認証方法は、平らな粒度のクラスを使い、モデルの不確実性による高い断続率をもたらす。 本稿では,複数レベルの階層内で画素を認証し,不安定なコンポーネントに対して粗いレベルに適応的に認証を緩和する,新しい,より実用的な設定を提案する。
  論文  参考訳（メタデータ） (2024-02-13T11:59:43Z)
• Generalized Face Forgery Detection via Adaptive Learning for Pre-trained Vision Transformer [54.32283739486781]
  適応学習パラダイムの下で,textbfForgery-aware textbfAdaptive textbfVision textbfTransformer(FA-ViT)を提案する。 FA-ViTは、クロスデータセット評価において、Celeb-DFおよびDFDCデータセット上で93.83%と78.32%のAUCスコアを達成する。
  論文  参考訳（メタデータ） (2023-09-20T06:51:11Z)
• OWAdapt: An adaptive loss function for deep learning using OWA operators [0.8437187555622164]
  分類タスクにおけるディープラーニング性能を向上させるファジィ適応損失関数を提案する。 本稿では,ファジィ論理のパワーを活用して分類精度を向上させる手法を提案する。 本手法は、標準的なクロスエントロピーや焦点損失など、他の一般的な損失関数よりも優れている。
  論文  参考訳（メタデータ） (2023-05-30T22:34:48Z)
• Benign Overfitting in Linear Classifiers and Leaky ReLU Networks from KKT Conditions for Margin Maximization [59.038366742773164]
  ロジスティック損失の勾配流によって訓練された線形および漏洩ReLUは、KKT条件を満たすための暗黙の偏りを持つ。 本研究では、線形分類器や2層リークReLUネットワークにおいて、これらの条件の満足度が良性オーバーフィットを意味するような設定を多数確立する。
  論文  参考訳（メタデータ） (2023-03-02T18:24:26Z)
• UNFIS: A Novel Neuro-Fuzzy Inference System with Unstructured Fuzzy Rules for Classification [1.0660480034605238]
  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。
  論文  参考訳（メタデータ） (2022-10-28T17:51:50Z)
• Refign: Align and Refine for Adaptation of Semantic Segmentation to Adverse Conditions [78.71745819446176]
  Refignは、ドメイン間の通信を利用する自己学習ベースのUDAメソッドへの汎用的な拡張である。 Refign は,(1) 不確実性を認識した高密度マッチングネットワークを用いて,正常条件画像と対応する悪条件画像とを整列させ,(2) 適応ラベル補正機構を用いて正常予測で悪条件予測を精査する。 このアプローチでは、追加のトレーニングパラメータや、トレーニングのみの計算オーバーヘッドの最小化は導入されず、任意の自己学習ベースのUDAメソッドを改善するためにドロップイン拡張として使用することができる。
  論文  参考訳（メタデータ） (2022-07-14T11:30:38Z)
• Computer Vision Self-supervised Learning Methods on Time Series [1.30536490219656]
  自己教師型学習(SSL)は両コンピュータビジョンにおいて大きな成功を収めている。 現在の主流のコンピュータビジョンのSSLフレームワークのほとんどは、Siameseネットワークアーキテクチャに基づいている。 コンピュータビジョンのSSLフレームワークは時系列でも有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T08:45:53Z)
• Efficient Semantic Image Synthesis via Class-Adaptive Normalization [116.63715955932174]
  クラス適応正規化(CLADE)は、セマンティッククラスにのみ適応する軽量かつ等価なバリアントである。 セマンティクスレイアウトから計算したクラス内位置マップエンコーディングを導入し,cladeの正規化パラメータを変調する。 提案されたCLADEは異なるSPADEベースのメソッドに一般化し、SPADEと比較して同等の生成品質を達成できる。
  論文  参考訳（メタデータ） (2020-12-08T18:59:32Z)

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。