論文の概要: KANFIS: A Neuro-Symbolic Framework for Interpretable and Uncertainty-Aware Learning

• arxiv url: http://arxiv.org/abs/2602.03034v2
• Date: Thu, 05 Feb 2026 01:23:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 14:11:23.865352
• Title: KANFIS: A Neuro-Symbolic Framework for Interpretable and Uncertainty-Aware Learning
• Title（参考訳）: KanFIS: 理解・不確実性学習のためのニューロ・シンボリック・フレームワーク
• Authors: Binbin Yong, Haoran Pei, Jun Shen, Haoran Li, Qingguo Zhou, Zhao Su,
• Abstract要約: Adaptive Neuro-Fuzzy Inference System (ANFIS) は、ニューラルネットワークの学習能力とファジィ論理の透明性の理由を組み合わせるために設計された。 本稿では,ファジィ推論と付加関数分解を統一する,コンパクトなニューロシンボリックアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 8.305093373349935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adaptive Neuro-Fuzzy Inference System (ANFIS) was designed to combine the learning capabilities of neural network with the reasoning transparency of fuzzy logic. However, conventional ANFIS architectures suffer from structural complexity, where the product-based inference mechanism causes an exponential explosion of rules in high-dimensional spaces. We herein propose the Kolmogorov-Arnold Neuro-Fuzzy Inference System (KANFIS), a compact neuro-symbolic architecture that unifies fuzzy reasoning with additive function decomposition. KANFIS employs an additive aggregation mechanism, under which both model parameters and rule complexity scale linearly with input dimensionality rather than exponentially. Furthermore, KANFIS is compatible with both Type-1 (T1) and Interval Type-2 (IT2) fuzzy logic systems, enabling explicit modeling of uncertainty and ambiguity in fuzzy representations. By using sparse masking mechanisms, KANFIS generates compact and structured rule sets, resulting in an intrinsically interpretable model with clear rule semantics and transparent inference processes. Empirical results demonstrate that KANFIS achieves competitive performance against representative neural and neuro-fuzzy baselines.
• Abstract（参考訳）: Adaptive Neuro-Fuzzy Inference System (ANFIS) は、ニューラルネットワークの学習能力とファジィ論理の透明性の理由を組み合わせるために設計された。 しかし、従来のANFISアーキテクチャは構造的な複雑さに悩まされ、そこでは製品ベースの推論機構が高次元空間における規則の急激な爆発を引き起こす。 本稿では,付加関数分解を伴うファジィ推論を統一する,コンパクトなニューロシンボリックアーキテクチャであるKANFISを提案する。 KanFISでは、モデルパラメータとルール複雑性の両方が指数関数ではなく入力次元と線形にスケールする付加的な集約機構を採用している。 さらに、 KanFIS は Type-1 (T1) と Interval Type-2 (IT2) のファジィ論理系とも互換性があり、ファジィ表現の不確かさと曖昧さを明確にモデル化することができる。 スパースマスキング機構を用いることで、KanFISはコンパクトで構造化されたルールセットを生成し、明確なルールセマンティクスと透明な推論プロセスを備えた本質的に解釈可能なモデルを生成する。 実験の結果,kanFISは神経系および神経系ファジィ系に対する競合性能を実証した。

関連論文リスト

• Neuronal Group Communication for Efficient Neural representation [85.36421257648294]
  本稿では, 効率的な, モジュラー, 解釈可能な表現を学習する, 大規模ニューラルシステムの構築方法に関する問題に対処する。 本稿では、ニューラルネットワークを相互作用する神経群の動的システムとして再認識する理論駆動型フレームワークである神経グループ通信(NGC)を提案する。 NGCは、重みを埋め込みのようなニューロン状態間の過渡的な相互作用として扱い、神経計算はニューロン群間の反復的なコミュニケーションを通じて展開する。
  論文  参考訳（メタデータ） (2025-10-19T14:23:35Z)
• Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
  我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。 情報理論構造と統計力学の数学的類似性を確立する。 構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
  論文  参考訳（メタデータ） (2025-07-17T21:31:45Z)
• Modeling Arbitrarily Applicable Relational Responding with the Non-Axiomatic Reasoning System: A Machine Psychology Approach [0.0]
  非公理推論システム(NARS)を用いた人工知能フレームワークにおけるAARRモデリングのための新しい理論的アプローチを提案する。 NARSの推論規則とメモリ構造から,AARRのキー特性がどのように現れるかを示す。 その結果、AARRは、適切に設計されたAIシステムによって概念的に捕捉可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-03-01T20:37:11Z)
• Fuzzy Recurrent Stochastic Configuration Networks for Industrial Data Analytics [3.8719670789415925]
  本稿では,ファジィリカレント構成ネットワーク(F-RSCN)と呼ばれる新しいニューロファジィモデルを提案する。 提案したF-RSCNは,複数の貯留層によって構成され,各貯留層は高木・スゲノ・カン(TSK)ファジィ則に関連付けられている。 TSKファジィ推論システムをRCCNに統合することにより、F-RSCNは強力なファジィ推論能力を有し、学習と一般化の両面での音響性能を実現することができる。
  論文  参考訳（メタデータ） (2024-07-06T01:40:31Z)
• Modeling Implicit Bias with Fuzzy Cognitive Maps [0.0]
  本稿では、構造化データセットにおける暗黙バイアスを定量化するファジィ認知マップモデルを提案する。 本稿では,ニューロンの飽和を防止する正規化様伝達関数を備えた新しい推論機構を提案する。
  論文  参考訳（メタデータ） (2021-12-23T17:04:12Z)
• Random Graph-Based Neuromorphic Learning with a Layer-Weaken Structure [4.477401614534202]
  我々は,ランダムグラフ理論を実践的な意味でNNモデルに変換し,各ニューロンの入出力関係を明らかにする。 この低演算コストアプローチでは、ニューロンはいくつかのグループに割り当てられ、接続関係はそれらに属するランダムグラフの一様表現とみなすことができる。 本稿では,複数のRGNN間の情報インタラクションを含む共同分類機構を開発し,教師付き学習における3つのベンチマークタスクの大幅な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-11-17T03:37:06Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。