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

要約

このペーパーでは、ミシガン式の学習ファジークラシファイアシステム（LFCSS）におけるルール表現の分類パフォーマンスに焦点を当てています。
LFCSのルールの適切な代表は、そのパフォーマンスを改善するために重要です。
ただし、従来のルール表現は、未知のデータ特性を持つ問題に対処するのに役立つことがよくあります。
この問題に対処するために、このペーパーでは、Adaptive-UCSというタイトルの自己適応ルール表現メカニズムを備えた監視されたLFC（つまり、ファジー-UCS）を提案します。
Adaptive-UCSは、ルールのメンバーシップ関数を長方形（すなわち、サクサク）または三角形（つまりファジー）の形状のいずれかとして設定する新しいルールパラメーターとしてファジーインジケーターを組み込みます。
ファジーインジケーターは進化的演算子で最適化されており、システムが最適なルール表現を検索できるようにします。
連続空間の問題で行われた広範な実験の結果は、分類精度における従来のパリパリ系系統角およびファジーヒイパートラペゾイドのルール表現を伴う他のUCSよりも適応型-UCが優れていることを示しています。
さらに、適応型-UCSは、騒々しい入力と、欠損値などの固有の不確実性を伴う現実世界の問題の場合、安定した分類パフォーマンスにつながる堅牢性を示します。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google