Efficient Learning of Fuzzy Logic Systems for Large-Scale Data Using Deep Learning

要約

タイプ 1 およびインターバル タイプ 2 (IT2) ファジー ロジック システム (FLS) は、倹約的なルールベースの構造とともに不確実性の処理に優れています。
しかし、大規模データの学習では、次元の呪いや FLS のトレーニングの複雑さなどの課題が生じます。
この複雑さは主に、学習可能なパラメータが FS を定義するときに満たさなければならない制約と、特に IT2-FLS の集合の中心の計算方法の複雑さに起因します。
この論文では、FLS の学習問題に明確に焦点を当て、深層学習 (DL) の領域に組み込まれた計算効率の高い学習方法を紹介します。
提案された方法は、計算効率の高い FLS の実装を提示することで FLS の学習の課題に取り組み、それによってミニバッチ DL オプティマイザーと DL フレームワーク内で提供される自動微分を活用しながらトレーニング時間を最小限に抑えます。
ベンチマーク データセットでの FLS の DL フレームワークの効率を示します。

要約(オリジナル)

Type-1 and Interval Type-2 (IT2) Fuzzy Logic Systems (FLS) excel in handling uncertainty alongside their parsimonious rule-based structure. Yet, in learning large-scale data challenges arise, such as the curse of dimensionality and training complexity of FLSs. The complexity is due mainly to the constraints to be satisfied as the learnable parameters define FSs and the complexity of the center of the sets calculation method, especially of IT2-FLSs. This paper explicitly focuses on the learning problem of FLSs and presents a computationally efficient learning method embedded within the realm of Deep Learning (DL). The proposed method tackles the learning challenges of FLSs by presenting computationally efficient implementations of FLSs, thereby minimizing training time while leveraging mini-batched DL optimizers and automatic differentiation provided within the DL frameworks. We illustrate the efficiency of the DL framework for FLSs on benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google