論文の概要: HyperANFIS: Enhancing Rule Representation and Interpretability in Adaptive Neuro-Fuzzy Systems via Hyperbolic Geometry

• arxiv url: http://arxiv.org/abs/2608.11768v1
• Date: Wed, 12 Aug 2026 08:10:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.514617
• Title: HyperANFIS: Enhancing Rule Representation and Interpretability in Adaptive Neuro-Fuzzy Systems via Hyperbolic Geometry
• Title（参考訳）: HyperANFIS:ハイパーボリック幾何学による適応型神経ファジィ系の規則表現と解釈性の向上
• Abstract要約: 適応型神経ファジィ推論システム(ANFIS)の双曲的拡張を提案する。 双曲幾何学の表現特性を利用して、HyperANFISはファジィ推論プロセスを強化する。 実験結果から、HyperANFISは標準のANFISベースラインと、すべてのデータセットで様々なANFIS変異を一貫して上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 11.871867310940173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The adaptive neuro-fuzzy inference system (ANFIS) is an interpretable reasoning framework capable of generating explicit IF-THEN fuzzy rules, making it suitable for tasks requiring transparent reasoning. However, existing ANFIS models generally construct rule antecedents and perform inference in Euclidean space, limiting their representational capacity and predictive performance. To address this issue, we propose Hyperbolic ANFIS (HyperANFIS), a hyperbolic extension of ANFIS. HyperANFIS preserves the fuzzy semantics and core architecture of conventional ANFIS while performing rule-prototype learning, rule activation, and consequent aggregation in hyperbolic space. It also retains the ability to generate interpretable IF-THEN rules. By exploiting the representational properties of hyperbolic geometry, HyperANFIS strengthens the fuzzy inference process, thereby improving predictive accuracy, inter-rule collaboration, and the credibility of its interpretable rules. Experimental results show that HyperANFIS consistently outperforms the standard ANFIS baseline and various ANFIS variants across all datasets, while also generating higher-quality fuzzy rules.
• Abstract（参考訳）: 適応型神経ファジィ推論システム(ANFIS)は、明示的なIF-THENファジィ規則を生成することができる解釈可能な推論フレームワークであり、透明な推論を必要とするタスクに適している。 しかしながら、既存のANFISモデルは一般的にユークリッド空間において規則前駆体を構築し、推論を行い、それらの表現能力と予測性能を制限する。 本稿では,ANFIS のハイパーボリック拡張である HyperANFIS (HyperANFIS) を提案する。 HyperANFISは、ルールプロトタイプ学習、ルールアクティベーション、そしてそれに伴うハイパーボリック空間の集約を実行しながら、従来のANFISのファジィセマンティクスとコアアーキテクチャを保存する。 また、解釈可能なIF-THENルールを生成する能力も保持している。 双曲幾何学の表現特性を活用することで、HyperANFISはファジィ推論プロセスを強化し、予測精度、ルール間協調、解釈可能な規則の信頼性を向上させる。 実験の結果、HyperANFISは標準のANFISベースラインと様々なANFIS変種を一貫して上回り、高品質なファジィルールを生成することがわかった。

関連論文リスト

• DisjunctiveNet: Neural Symbolic Learning via Differentiable Convexified Optimization Layers [6.359239993493649]
  ニューラルネットワーク内での混合線形制約を強制するための統一的なエンドツーエンドフレームワークを提案する。 提案手法が実世界のデータセットに与える影響を実証し,ルール満足度と高い予測性能を実現する。
  論文  参考訳（メタデータ） (2026-05-28T18:27:39Z)
• HIPO: Instruction Hierarchy via Constrained Reinforcement Learning [57.40686733111483]
  textscHIPOは、制約付きマルコフ決定プロセスとしてHIFを定式化する新しいアライメントフレームワークである。 textscHIPOはシステムプロンプトを単に入力コンテキストから厳密なアルゴリズム境界まで高める。
  論文  参考訳（メタデータ） (2026-03-17T06:12:41Z)
• EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
  EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。 我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。 EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-03-17T06:11:56Z)
• OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
  大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。 OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。 我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
  論文  参考訳（メタデータ） (2026-03-16T18:29:01Z)
• KANFIS: A Neuro-Symbolic Framework for Interpretable and Uncertainty-Aware Learning [8.305093373349935]
  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。
  論文  参考訳（メタデータ） (2026-02-03T03:02:17Z)
• Implicit Hypergraph Neural Networks: A Stable Framework for Higher-Order Relational Learning with Provable Guarantees [8.5183483099116]
  Indicit Hypergraph Neural Networks (IHGNN)を導入し、非線形不動点方程式の解として表現を計算する。 IHGNNは、正確性と堅牢性の両方において、強力な従来のグラフ/ハイパーグラフニューラルネットワークベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-08-13T02:06:29Z)
• Neural Symbolic Logical Rule Learner for Interpretable Learning [1.9526476410335776]
  ルールベースのニューラルネットワークは、予測と解釈の両方の論理ルールを学ぶことによって、解釈可能な分類を可能にする。 我々は、選択離散ニューラルネットワークを利用した正規形規則学習アルゴリズム(NFRL)を導入し、共役正規形(CNF)と共役正規形(DNF)の両方の規則を学習する。 11のデータセットに関する広範な実験を通じて、NFRLは12の最先端の代替品と比較して、優れた分類性能、学習ルールの品質、効率と解釈性を示す。
  論文  参考訳（メタデータ） (2024-08-21T18:09:12Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。