เกิดอะไรขึ้นกับ Fuzzy Logic?


10

ตรรกะฟัซซีดูเหมือนจะเป็นพื้นที่ของการวิจัยในการเรียนรู้ของเครื่องจักรและการขุดข้อมูลกลับมาเมื่อฉันอยู่ในโรงเรียนระดับประถมศึกษา (ต้นปี 2000) ระบบอนุมานฟัซซี, ฟัซซีซีหมายถึง, ฟัซซีเวอร์ชั่นของโครงข่ายประสาทเทียมและสถาปัตยกรรมเวกเตอร์ของเครื่องเวกเตอร์สนับสนุนทั้งหมดถูกสอนในหลักสูตรระดับบัณฑิตศึกษาและอภิปรายในการประชุม

ตั้งแต่ฉันเริ่มให้ความสนใจกับ ML อีกครั้ง (~ 2013), Fuzzy Logic ดูเหมือนว่าจะหลุดออกจากแผนที่อย่างสมบูรณ์และการหายไปจากภูมิทัศน์ ML ในปัจจุบันนั้นชัดเจนมากเนื่องจาก AI hype ทั้งหมด

นี่เป็นกรณีของหัวข้อที่หลุดออกมาจากแฟชั่นหรือมีข้อ จำกัด เฉพาะของตรรกศาสตร์คลุมเครือและการอนุมานคลุมเครือที่นำไปสู่หัวข้อที่นักวิจัยถูกทอดทิ้งหรือไม่?


เพื่อชี้แจงตามความคิดเห็นของ jbowman: มีบางเหตุการณ์หรือการค้นพบที่ทำให้ FL หลุดออกไปจากแฟชั่นคล้ายกับเครือข่ายประสาทในยุค 60 เมื่อพวกเขาออกจากแฟชั่นเพราะพิสูจน์ว่าพวกเขาไม่สามารถแก้ปัญหา XOR ได้ ? หรือ Fuzzy Systems มีประสิทธิภาพดีกว่าด้วยกระบวนทัศน์การแข่งขันหรือไม่


ไม่ใช่คำตอบ แต่เป็นเพียงการเก็งกำไร: ดูเหมือนว่าใกล้เคียงกับความน่าจะเป็นที่ในที่สุดนักวิจัย CS ตัดสินใจที่จะรวมแนวคิดทั้งสองนี้เข้าด้วยกัน
หน้าผา AB

1
เป็นที่ยอมรับว่าเรื่องนี้จะขึ้นอยู่กับความเห็นเป็นอย่างมากและอาจเป็นนอกหัวข้อ แต่ตอนนี้เมื่อคุณถามฉันจะสงสัยตัวเอง
jbowman

1
@ jbowman ฉันไม่ทราบว่าจำเป็นต้องมีความคิดเห็นตามหรือไม่ มีคำตอบทางวิทยาศาสตร์อย่างตรงไปตรงมาว่าเหตุใด NNets จึงล้าสมัยในยุค 60 (ความล้มเหลวในการแก้ปัญหา XOR) - ฉันสงสัยว่ามีบางอย่างที่คล้ายกันเกิดขึ้นกับฟลอริด้า
Skander H.

1
มันยังมีชีวิตอยู่ค่อนข้างมากในการแบ่งส่วนของสมองและการทำแผนที่สมองโดยทั่วไปมันเป็นเพียงว่าผู้คนไม่จำเป็นต้องใช้ตรรกะมากนัก แต่การมอบหมายแบบคลุมเครือนั้นยังคงมีชีวิตและเตะ
Firebug

คำตอบ:


3

คำตอบของฉันมีความเกี่ยวข้องทางเทคนิคกับเซตคลุมเครือมากกว่าตรรกศาสตร์คลุมเครือ แต่แนวคิดทั้งสองนั้นแยกกันไม่ออกในทางปฏิบัติ ฉันค้นคว้าเข้าไปในบทความในวารสารทางวิชาการเกี่ยวกับตรรกศาสตร์สองสามปีที่ผ่านมาเพื่อที่จะเขียนชุดการสอนเกี่ยวกับการดำเนินการชุดเลือนใน SQL Server แม้ว่าฉันแทบจะไม่ได้รับการพิจารณาเป็นผู้เชี่ยวชาญ แต่ฉันก็ค่อนข้างคุ้นเคยกับวรรณกรรมและใช้เทคนิคเป็นประจำเพื่อแก้ปัญหาในทางปฏิบัติ ความประทับใจที่แข็งแกร่งที่ฉันได้รวบรวมจากงานวิจัยที่ตีพิมพ์คือศักยภาพในทางปฏิบัติของเซตฟัสซียังไม่ได้ถูกใช้ส่วนใหญ่เนื่องจากมีงานวิจัยมากมายเกี่ยวกับเทคนิคอื่น ๆ ของตระกูลที่สามารถแก้ปัญหาชุดเสริมได้

ตลาดที่แออัดของความคิดในด้านวิทยาศาสตร์ข้อมูล / การเรียนรู้ของเครื่อง ฯลฯ

มีความคืบหน้าอย่างรวดเร็วในการสนับสนุนเครื่องเวกเตอร์, โครงข่ายประสาท, ป่าสุ่มและอื่น ๆ ที่เป็นไปไม่ได้สำหรับผู้เชี่ยวชาญ, นักวิเคราะห์, นักวิทยาศาสตร์ข้อมูล, โปรแกรมเมอร์หรือผู้บริโภคของผลิตภัณฑ์ของพวกเขาเพื่อให้ทันกับมันทั้งหมด ในโพสต์บล็อกของฉันฉันพูดยาวเกี่ยวกับวิธีการพัฒนาอัลกอริทึมสำหรับชุดฟัซซี่และตรรกะโดยทั่วไปแล้ว 20+ ปีข้างหน้าของซอฟต์แวร์ที่มีอยู่ แต่เดียวกันสามารถพูดได้หลายสาขาที่เกี่ยวข้อง ฉันอ่านอวนเกี่ยวกับระบบประสาทอย่างเข้มข้นและสามารถคิดถึงคะแนนของสถาปัตยกรรมระบบประสาทที่คุ้มค่าที่ได้รับการพัฒนามานานหลายทศวรรษแล้ว แต่ไม่เคยนำไปใช้ในทางปฏิบัติอย่างกว้างขวาง ที่ถูกกล่าวว่าตรรกะและเซตคลุมเครืออยู่ที่เสียเปรียบแปลกในตลาดของความคิดที่แออัดนี้ส่วนใหญ่เป็นเพราะชื่อเล่นของพวกเขาซึ่งเป็นที่ถกเถียงกันกลับเมื่อ Lofti A. Zadeh ประกาศเกียรติคุณ จุดของเทคนิคฟัซซี่นั้นเป็นเพียงการประมาณชั้นเรียนบางส่วนของข้อมูลที่มีค่า discretely ในระดับต่อเนื่อง แต่คำเช่น "ตรรกะที่มีมูลค่าต่อเนื่องโดยประมาณ" และ "ชุดที่ให้คะแนน" ไม่น่าดึงดูดอย่างแน่นอน Zadeh ยอมรับว่าเขาใช้คำว่า "ฟัซซี่" เป็นส่วนหนึ่งเพราะมันได้รับความสนใจ แต่เมื่อมองย้อนกลับไปมันอาจรวบรวมความสนใจที่ผิด ๆ

คำว่า "Fuzz" ย้อนกลับมาได้อย่างไร

สำหรับนักวิทยาศาสตร์ข้อมูลนักวิเคราะห์หรือโปรแกรมเมอร์มันเป็นคำที่อาจทำให้รู้สึกถึง "เทคเทค"; สำหรับผู้ที่สนใจ AI / data mining / ฯลฯ ฯลฯ ตราบเท่าที่มันสามารถแก้ปัญหาทางธุรกิจ "fuzzy" เสียงเหมือนความยุ่งยากที่ทำไม่ได้ สำหรับผู้จัดการองค์กรแพทย์ที่เกี่ยวข้องกับการวิจัยทางการแพทย์หรือผู้บริโภคอื่น ๆ ที่ไม่รู้จักอาจทำให้ภาพตุ๊กตาสัตว์ตำรวจแสดง 70s หรืออะไรบางอย่างออกมาจากตู้เย็นของ George Carlin มีความตึงเครียดในอุตสาหกรรมระหว่างสองกลุ่มเสมอโดยในช่วงหลังมักจะได้รับผลกระทบจากการเขียนรหัสและทำการวิจัยเพียงเพื่อความอยากรู้อยากเห็นทางปัญญามากกว่าผลกำไร ถ้ากลุ่มแรกสามารถอธิบายได้ว่าทำไมเทคนิคฟัซซี่เหล่านี้จึงมีกำไรแล้วความวุ่นวายของคนแรกจะป้องกันการยอมรับของพวกเขา

การจัดการความไม่แน่นอนและแอพพลิเคชั่นตระกูล Fuzzy Set

จุดของเทคนิคการตั้งค่าแบบฟัซซีคือการลบฟัซซี่ที่มีอยู่แล้วในข้อมูลในรูปแบบของค่าไม่ต่อเนื่องที่ไม่แน่นอนซึ่งสามารถสร้างแบบจำลองที่ดีขึ้นในระดับต่อเนื่องโดยประมาณซึ่งตรงกันข้ามกับการเข้าใจผิดอย่างกว้างขวางว่า "ฝอย" เป็นสิ่งที่คุณเพิ่มเข้าไปเช่นท็อปพิเศษบนพิซซ่า ความแตกต่างนั้นอาจจะง่าย แต่มันครอบคลุมแอพพลิเคชั่นที่มีศักยภาพหลากหลายตั้งแต่การประมวลผลภาษาธรรมชาติไปจนถึงทฤษฎีการตัดสินใจถึงการควบคุมระบบที่ไม่เชิงเส้น ความน่าจะเป็นไม่ได้ดูดซับตรรกะคลุมเครือตามที่ Cliff AB แนะนำเป็นหลักเพราะเป็นเพียงส่วนย่อยเล็ก ๆ ของการตีความที่สามารถแนบกับค่าฟัซซี่ ฟังก์ชั่นสมาชิก Fuzzy นั้นค่อนข้างง่ายโดยที่พวกเขาจะให้คะแนนว่าเร็กคอร์ดนั้นเป็นของชุดใดชุดหนึ่งโดยกำหนดค่าหนึ่งค่าหรือมากกว่านั้นอย่างต่อเนื่องโดยปกติจะอยู่ในระดับ 0 ถึง 1 พบว่า -1 ต่อ 1 จะมีประโยชน์มากกว่า) ความหมายที่เรากำหนดให้กับตัวเลขเหล่านั้นขึ้นอยู่กับเราเพราะพวกเขาสามารถบ่งบอกถึงสิ่งที่เราต้องการเช่นระดับความเชื่อของเบย์ความเชื่อมั่นในการตัดสินใจโดยเฉพาะการแจกแจงความเป็นไปได้การเปิดใช้งานโครงข่ายประสาทเทียม ไม่เพียงแค่ค่า PDF, EDF หรือ CDF ฉันลงรายละเอียดที่มากขึ้นในซีรีย์บล็อกของฉันและที่โพสต์ CV นี้ซึ่งส่วนใหญ่ได้มาจากการทำงานผ่านทรัพยากรฟัซซี่ที่ฉันโปรดปราน George J. Klir และเซตฟัซซี่และฟัซซี่ลอจิกของ Bo Yuan: ทฤษฎีและแอปพลิเคชัน (1995) พวกเขาเข้าไปดูรายละเอียดที่มากขึ้นเกี่ยวกับวิธีการหาโปรแกรมทั้งหมดของ "การจัดการความไม่แน่นอน" จากชุดคลุมเครือ

หากตรรกะและเซตฟัซซี่เป็นผลิตภัณฑ์เพื่อผู้บริโภคเราสามารถพูดได้ว่ามันไม่สำเร็จเนื่องจากการขาดการตลาดและการประกาศข่าวประเสริฐของผลิตภัณฑ์รวมถึงการเลือกใช้ชื่อแบรนด์ที่ขัดแย้งกัน ในขณะที่ทำการค้นคว้าสิ่งนี้ฉันจำไม่ได้ว่าวิ่งเข้าไปในบทความวารสารวิชาการฉบับเดียวที่พยายามหักล้างแอปพลิเคชันใด ๆ เหล่านี้ในลักษณะที่คล้ายคลึงกับบทความที่น่าอับอายของ Minksy และ Papert เรื่อง perceptrons มีการแข่งขันกันอย่างแพร่หลายในตลาดความคิดในทุกวันนี้เพื่อความสนใจของนักพัฒนานักทฤษฎีนักวิทยาศาสตร์ด้านข้อมูลและผลิตภัณฑ์ที่ใช้กับปัญหาที่คล้ายกันซึ่งเป็นผลบวกของความก้าวหน้าทางเทคนิคอย่างรวดเร็ว ข้อเสียคือมีผลไม้แขวนต่ำจำนวนมากที่นี่ซึ่งไม่ได้รับผลกระทบโดยเฉพาะในขอบเขตของการสร้างแบบจำลองข้อมูลที่สามารถนำไปใช้ได้มากที่สุด


2

เหตุผลที่ความคิดเชิงตรรกะคลุมเครือหลุดออกจากแฟชั่น (ใน ML) ไม่ชัดเจนสำหรับฉัน มันอาจจะมีเหตุผลมากมายไม่ว่าจะเป็นด้านเทคนิคสังคมวิทยา ฯลฯ ... สิ่งหนึ่งที่แน่นอนก็คือคณิตศาสตร์ของ ML สำหรับปีที่ผ่านมาถูกครอบงำโดยความน่าจะเป็น / สถิติและการเพิ่มประสิทธิภาพสองสาขาที่ตรรกะคลุมเครือ (หรือความคิดที่ออกมาจากวรรณคดีที่คลุมเครือ) สามารถกรอก แต่พวกเขามักจะนำคำตอบมากกว่าคำถาม ข้อดีอีกข้อหนึ่งของความน่าจะเป็นและการปรับให้เหมาะสมคือในขณะที่แนวโน้ม / การตีความภายในอาจแตกต่างกัน (เช่น Bayesian vs Frequists) กรอบการทำงานที่เป็นทางการ / คณิตศาสตร์ขั้นพื้นฐานค่อนข้างเสถียรสำหรับสิ่งเหล่านั้น เข้าใจในวงกว้าง)

  • Hüllermeier, E. (2015) การเรียนรู้ของเครื่องจำเป็นต้องใช้ตรรกะที่คลุมเครือหรือไม่? ชุดและระบบฟัซซี, 281, 292-299

ฉันคิดว่าหนึ่งในแนวคิดพื้นฐานของตรรกศาสตร์คลุมเครือนั่นคือแนวคิดแบบจำลองที่ค่อยเป็นค่อยไปและให้เครื่องมือการใช้เหตุผล (ส่วนใหญ่ขยายตรรกะ แต่ไม่เพียง แต่) ที่เกี่ยวข้องกับมันยังคงอยู่ในความคิด ML รวมถึงแนวคิดล่าสุด คุณต้องดูให้ดีเพราะมันค่อนข้างหายาก ตัวอย่างที่สอง ได้แก่ :

  • Farnadi, G. , Bach, SH, Moens, MF, Getoor, L. , & De Cock, M. (2017) การวัดปริมาณอ่อนในการเรียนรู้เชิงสถิติ การเรียนรู้ของเครื่อง, 106 (12), 2514-2534 (ที่การอ้างอิงรวมถึงตรรกศาสตร์คลุมเครือรวมถึง Zadeh seminal paper)
  • Cheng, W. , Rademaker, M. , De Baets, B. , & Hüllermeier, E. (2010, September) การทำนายคำสั่งบางส่วน: การจัดอันดับด้วยการงด ในการประชุมร่วมยุโรปเรื่องการเรียนรู้ของเครื่องจักรและการค้นพบความรู้ในฐานข้อมูล (หน้า 215-230) Springer, Berlin, Heidelberg

โดยรวมแล้วเพื่อที่จะตอบคำถามของคุณบนพื้นที่ส่วนตัวที่มากขึ้นความรู้สึกของฉันคือว่าไม่มีการรับรู้ที่ชัดเจนว่าตรรกะฟัซซี่อะไรที่สามารถบรรลุผลสำเร็จ (ในมุมมองล่าสุดของ ML) ที่ความน่าจะเป็นไม่สามารถทำได้ ดีกว่าด้วยกรอบการทำงาน ML ของการดูข้อมูลที่ออกจากประชากรที่น่าจะเป็นไปได้ง่ายกว่าที่จะไปด้วยความน่าจะเป็นและสถิติมากกว่าด้วยตรรกะคลุมเครือ นี่ก็หมายความว่าถ้าคุณต้องการใช้ตรรกศาสตร์คลุมเครือใน ML คุณต้องแสดงเหตุผลที่น่าเชื่อถือและเหตุผลที่ดี (เช่นใช้ความจริงที่ว่าพวกเขาขยายตรรกะโดยการให้ฟังก์ชันที่แตกต่างกันเพื่อให้คุณสามารถรวมกฎตรรกะในการเรียนรู้ลึก เทคนิค)

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.