論文の概要: An Integrated Fusion Framework for Ensemble Learning Leveraging Gradient Boosting and Fuzzy Rule-Based Models

• arxiv url: http://arxiv.org/abs/2511.08077v1
• Date: Wed, 12 Nov 2025 01:38:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.62985
• Title: An Integrated Fusion Framework for Ensemble Learning Leveraging Gradient Boosting and Fuzzy Rule-Based Models
• Title（参考訳）: グラディエントブースティングとファジィルールに基づくモデルを活用した学習を支援する統合統合フレームワーク
• Authors: Jinbo Li, Peng Liu, Long Chen, Witold Pedrycz, Weiping Ding,
• Abstract要約: ファジィ規則に基づくモデルは解釈可能性に優れ、様々な分野に広く応用されている。 複雑な設計仕様や大規模データセットのスケーラビリティといった課題に直面している。 本稿では,モデル性能と解釈可能性を高めるために,両パラダイムの強みを融合した統合統合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 59.13182819190547
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The integration of different learning paradigms has long been a focus of machine learning research, aimed at overcoming the inherent limitations of individual methods. Fuzzy rule-based models excel in interpretability and have seen widespread application across diverse fields. However, they face challenges such as complex design specifications and scalability issues with large datasets. The fusion of different techniques and strategies, particularly Gradient Boosting, with Fuzzy Rule-Based Models offers a robust solution to these challenges. This paper proposes an Integrated Fusion Framework that merges the strengths of both paradigms to enhance model performance and interpretability. At each iteration, a Fuzzy Rule-Based Model is constructed and controlled by a dynamic factor to optimize its contribution to the overall ensemble. This control factor serves multiple purposes: it prevents model dominance, encourages diversity, acts as a regularization parameter, and provides a mechanism for dynamic tuning based on model performance, thus mitigating the risk of overfitting. Additionally, the framework incorporates a sample-based correction mechanism that allows for adaptive adjustments based on feedback from a validation set. Experimental results substantiate the efficacy of the presented gradient boosting framework for fuzzy rule-based models, demonstrating performance enhancement, especially in terms of mitigating overfitting and complexity typically associated with many rules. By leveraging an optimal factor to govern the contribution of each model, the framework improves performance, maintains interpretability, and simplifies the maintenance and update of the models.
• Abstract（参考訳）: 異なる学習パラダイムの統合は、個々のメソッド固有の制限を克服することを目的として、機械学習の研究に長い間焦点を合わせてきた。 ファジィ規則に基づくモデルは解釈可能性に優れ、様々な分野に広く応用されている。 しかし、それらは、複雑な設計仕様や大規模データセットのスケーラビリティの問題のような課題に直面している。 異なるテクニックと戦略、特にグラディエントブースティングとファジィルールベースのモデルの統合は、これらの課題に対する堅牢な解決策を提供する。 本稿では,モデル性能と解釈可能性を高めるために,両パラダイムの強みを融合した統合統合フレームワークを提案する。 各イテレーションでは、ファジィルールベースのモデルが動的因子によって構築され、制御され、全体的なアンサンブルへの貢献を最適化する。 このコントロールファクタは、モデルの優位性を防ぎ、多様性を奨励し、正規化パラメータとして機能し、モデルパフォーマンスに基づいた動的チューニングのメカニズムを提供するため、オーバーフィッティングのリスクを軽減します。 さらに、このフレームワークには、検証セットからのフィードバックに基づいて適応的な調整を可能にする、サンプルベースの修正機構が組み込まれている。 実験により, ファジィ規則に基づくモデルに適用した勾配促進フレームワークの有効性を実証し, 性能向上を実証した。 各モデルのコントリビューションを管理するための最適な要素を活用することで、フレームワークはパフォーマンスを改善し、解釈可能性を維持し、モデルのメンテナンスと更新を簡素化する。

関連論文リスト

• Merge and Guide: Unifying Model Merging and Guided Decoding for Controllable Multi-Objective Generation [49.98025799046136]
  Merge-And-GuidEは、ガイド付きデコーディングにモデルマージを利用する2段階のフレームワークである。 ステージ1では、MAGEはガイダンスとベースモデルの互換性の問題を解決する。 ステージ2では、明示的で暗黙的な値モデルを統一的なガイダンスプロキシにマージします。
  論文  参考訳（メタデータ） (2025-10-04T11:10:07Z)
• Distribution Matching via Generalized Consistency Models [4.3343955642269805]
  連続正規化フロー(CNF)における整合性モデルに着想を得た分布マッチングの新しい手法を提案する。 我々のモデルは、直進ノルム最小化目標を持つなどCNFモデルの利点を継承するが、GANと同様の異なる制約に適応できる。
  論文  参考訳（メタデータ） (2025-08-17T03:37:57Z)
• Modular Delta Merging with Orthogonal Constraints: A Scalable Framework for Continual and Reversible Model Composition [0.0]
  既存のモデルマージと継続的学習へのアプローチは、しばしばタスクの干渉、破滅的な忘れ込み、あるいは可逆性の欠如に悩まされる。 本稿では, 拡張性, 干渉フリー, 微調整モデルの構成が可能な新しいフレームワークである Orthogonal Constraints (MDM-OC) を用いた Modular Delta Merging を提案する。
  論文  参考訳（メタデータ） (2025-07-28T17:08:49Z)
• Structural Similarity-Inspired Unfolding for Lightweight Image Super-Resolution [88.20464308588889]
  効率的な画像SRのための構造類似インスパイアド・アンフォールディング(SSIU)法を提案する。 この方法は、構造的類似性に制約されたSR最適化関数の展開によって設計される。 我々のモデルは現在の最先端モデルより優れており、パラメータ数が低く、メモリ消費が減少している。
  論文  参考訳（メタデータ） (2025-06-13T14:29:40Z)
• Relative Overfitting and Accept-Reject Framework [5.465098504510676]
  本稿では,性能向上のためにモデルをセグメント化する方法を管理するアンサンブルフレームワークを提案する。 NLPの領域におけるこのフレームワークのパターンを詳述し、コンピュータビジョン(CV)や科学のためのAIなど他の分野に簡単に説明します。
  論文  参考訳（メタデータ） (2025-05-12T17:36:14Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)

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。