基于梯度的神经可塑性适应用于神经模糊网络的并行优化
机器学习
2026-01-26 v2 神经与进化计算
摘要
神经模糊网络（Neuro-fuzzy Networks, NFNs）是一种透明、符号化且通用函数逼近器，其性能不输传统神经网络，但其知识以语言化的 IF-THEN 规则形式表达。尽管具有上述优势，但其系统化的设计过程仍然是一个挑战。现有工作常通过低效地隔离参数和结构识别来顺序构建 NFNs，导致对脆弱且次优网络结构的早期承诺。我们提出了一种称为梯度-based 神经可塑性适应的新型独立于应用的 метод，用于 NFNs 参数与结构的并行优化。通过认识到 NFNs 的参数与结构应同时优化（因其深度关联），以往无法实现的设置现已可达成，例如基于视觉的强化学习在 NFNs 中的在线应用。通过在视觉基视频游戏 DOOM 中进行在线强化学习训练，我们在实证研究中展示了并行优化 NFNs 的有效性，使其能够熟练地应对具有挑战性的情景。
引用
@article{arxiv.2506.21771,
title = {Gradient-Based Neuroplastic Adaptation for Concurrent Optimization of Neuro-Fuzzy Networks},
author = {John Wesley Hostetter and Min Chi},
journal= {arXiv preprint arXiv:2506.21771},
year = {2026}
}
备注
52 pages