增强区间二型模糊逻辑系统：面向精度与预测区间的学习
机器学习
2024-04-22 v1 人工智能
摘要
在本文中，我们通过提出对区间二型（IT2）模糊逻辑系统（FLSs）学习的增强方法来解决其学习挑战，从而应对在高风险场景下生成预测区间（PIs）的任务。在此背景下，我们首先为 Karnik-Mendel (KM) 和 Nie-Tan (NT) 集合中心计算方法提供了额外的设计灵活性，以增加其生成 PIs 的灵活性。这些增强提高了 KM 在去模糊化阶段的灵活性，以及 NT 在模糊化阶段的灵活性。为了应对大规模学习挑战，我们通过参数化技巧将 IT2-FLS 的约束学习问题转化为无约束形式，从而能够直接应用深度学习优化器。为了解决维度灾难问题，我们将针对一型 FLS 提出的高维 Takagi-Sugeno-Kang (HTSK) 方法扩展到 IT2-FLSs，形成了 HTSK2 方法。此外，我们引入了一个以双重焦点学习增强 IT2-FLS 的框架，旨在实现高精度和 PI 生成。通过详尽的统计结果，我们表明 HTSK2 有效地解决了维度挑战，同时增强的 KM 和 NT 方法改善了 IT2-FLSs 的学习并提升了不确定性量化性能。
引用
@article{arxiv.2404.12802,
title = {Enhancing Interval Type-2 Fuzzy Logic Systems: Learning for Precision and Prediction Intervals},
author = {Ata Koklu and Yusuf Guven and Tufan Kumbasar},
journal= {arXiv preprint arXiv:2404.12802},
year = {2024}
}
备注
in the IEEE World Congress on Computational Intelligence, 2024