Bulanık Mantık'a ne oldu?


10

Bulanık mantık , ben grad okulundayken (2000'lerin başında) makine öğrenimi ve veri madenciliğinde aktif bir araştırma alanı gibi görünüyordu. Bulanık çıkarım sistemleri, bulanık c-ortalamalar, çeşitli sinir ağının bulanık versiyonları ve destek vektör makinesi mimarilerinin tümü grad derslerinde öğretilmiş ve konferanslarda tartışılmıştır.

ML'ye tekrar dikkat etmeye başladığımdan beri (~ 2013), Fuzzy Logic tüm AI hype göz önüne alındığında haritayı tamamen bırakmış gibi görünüyor ve mevcut ML manzarasından yoksun olması dikkat çekicidir.

Bu bir konunun sadece modası geçiyor muydu, yoksa konunun araştırmacılar tarafından terk edilmesine neden olan bulanık mantık ve bulanık çıkarımın belirli bir sınırlaması var mıydı?


Açıklığa kavuşturmak için, jbowman'ın yorumuna dayanarak: FL'nin modadan çıkmasına neden olan, örneğin 60'lardaki sinir ağlarına benzer şekilde, modadan çıktıklarında XOR'u çözemedikleri kanıtlandığı için bir olay veya bulgu var mıydı? ? Yoksa Bulanık Sistemler rakip bir paradigma tarafından daha mı iyi performans gösterdi?


Bir cevap değil, sadece bir spekülasyon: olasılıkla o kadar yakın görünüyor ki, belki de CS araştırmacıları bu iki kavramı birleştirmeye karar verdiler?
Cliff AB

1
Kuşkusuz bu çok fikir tabanlı olacak ve muhtemelen konu dışı olacak, ancak şimdi sorduğunuza göre, kendimi merak ediyorum.
jbowman

1
Mutlaka fikir tabanlı olup olmadığını bilmiyorum. NNets'in 60'larda neden modası geçtiğine dair objektif bir bilimsel cevap var (XOR'u çözememe) - FL'ye benzer bir şey olup olmadığını merak ediyorum.
Skander H.

1
Beyin parseli ve genel olarak beyin haritalamasında hala oldukça canlı, sadece insanların mantık operasyonunun çoğuna ihtiyaç duymaması, ancak bulanık atama hala canlı ve tekmeliyor.
Firebug

Yanıtlar:


3

Cevabım, bulanık mantıktan ziyade bulanık kümelerle teknik olarak daha alakalı, ancak iki kavram pratik olarak ayrılmaz. Birkaç yıl önce SQL Server'da bulanık kümelerin uygulanması hakkında bir eğitim serisi yazmak için bulanık mantık üzerine akademik dergi makalelerini inceledim . Uzman olarak kabul edilememe rağmen, literatüre oldukça aşinayım ve pratik problemleri çözmek için teknikleri düzenli olarak kullanıyorum. Yayınlanan araştırmadan elde ettiğim güçlü izlenim, bulanık kümelerin pratik potansiyelinin, esas olarak tamamlayıcı soru setlerini çözebilecek düzinelerce başka teknik ailesi üzerinde yapılan bir araştırma nedeniyle hala kullanılmamış olmasıdır.

Veri Biliminde / Makine Öğreniminde vb. Kalabalık Fikirler Pazarı.

Destek Vektör Makinelerinde, sinir ağlarında, rastgele ormanlarda vb. O kadar hızlı ilerleme kaydedilmiştir ki, uzmanlar, analistler, veri bilimcileri, programcılar veya ürünlerinin tüketicilerinin hepsine ayak uydurması imkansızdır. Blog yazıları dizimde, bulanık kümeler ve mantıksal algoritmaların geliştirilmesinin mevcut yazılımdan genellikle 20 yıl önce nasıl olduğu hakkında konuşuyorum, ancak aynı şey birçok ilgili alan için de söylenebilir; Sinir ağları üzerine yoğun bir şekilde okudum ve onlarca yıl önce geliştirilen, ancak kolayca bulunmayan yazılımlarda kodlanan, asla geniş çapta uygulamaya konmayan değerli sinir mimarilerinin puanlarını düşünebiliyorum. Bununla birlikte, bulanık mantık ve kümeler, bu kalabalık fikir pazarında, özellikle de Lofti A. Zadeh onu icat ettiğinde tartışmalı olan manastırları nedeniyle garip bir dezavantajda. Bulanık tekniklerin amacı, basitçe sürekli ölçekler üzerindeki ayrı ayrı değer verilen veri sınıflarına yaklaşmaktır, ancak "yaklaşık sürekli değerli mantık" ve "dereceli kümeler" gibi terimler tam olarak dikkat çekici değildir. Zadeh, "bulanık" terimini kısmen dikkat çekici olduğu için kullandığını itiraf etti, ancak geriye dönüp baktığında, yanlış bir şekilde dikkat çekti.

"Fuzz" terimi nasıl geri teper

Bir veri bilimcisi, analisti veya programcısı için, bu "havalı teknoloji" vurgusunu uyandırabilecek bir terimdir; AI / veri madenciliği / vb. sadece iş problemlerini çözebildiği sürece, "bulanık" pratik olmayan bir güçlük gibi geliyor. Bir şirket yöneticisine, tıbbi araştırmaya dahil olan doktora veya bilmeyen başka herhangi bir tüketiciye, doldurulmuş hayvanların görüntülerini, 70'lerin polis gösterilerini veya George Carlin'in buzdolabından bir şey uyandırabilir. İki grup arasında endüstride her zaman bir gerilim olmuştur, ikincisi genellikle ilkinde kod yazmaktan ve sadece kardan ziyade entelektüel merak uğruna araştırma yapmaktan sıkılır; eğer ilk grup bu bulanık tekniklerin neden karlı olduğunu açıklayamazsa, ilkinin savaşı benimsenmesini engelleyecektir.

Belirsizlik Yönetimi ve Bulanık Küme Uygulamaları Ailesi

Bulanık küme tekniklerinin noktası için vardır kaldır"fuzz" ın eklediğiniz bir şey olduğu yaygın bir yanlış algılamanın aksine, pizzanın özel bir tepesi gibi, verilerin içinde doğal olarak bulunan fuzz, yaklaşık sürekli ölçeklerde daha iyi modellenebilen kesin olmayan ayrık değerler şeklinde. Bu ayrım basit olabilir, ancak doğal dil işlemeden Karar Teorisine, doğrusal olmayan sistemlerin kontrolüne kadar çok çeşitli potansiyel uygulamaları kapsar. Olasılık, Cliff AB'nin önerdiği gibi bulanık mantığı özümsememiştir çünkü bu, bulanık değerlere eklenebilecek yorumların sadece küçük bir alt kümesidir. Bulanık üyelik işlevleri oldukça basittir, çünkü bir kaydın belirli bir sete ne kadar ait olduğunu, genellikle 0 ila 1 ölçeğinde (veya bazı uygulamalar için -1 ila 1'in daha yararlı olabileceğini bulduk). Bu rakamlara atadığımız anlam bize bağlıdır, çünkü Bayes inanç dereceleri, belirli bir karara güven, olasılık dağılımları, sinirsel aktivasyonlar, ölçekli varyans, korelasyon vb. sadece PDF, EDF veya CDF değerleri değil. Blog serimde ve web sitesindeBu CV yazısı , en sevdiğim bulanık kaynak, George J. Klir ve Bo Yuan'ın Bulanık Kümeleri ve Bulanık Mantık: Teori ve Uygulamaları (1995) aracılığıyla çalışılarak elde edildi. “Belirsizlik Yönetimi” nin tüm programlarını bulanık kümelerden nasıl türetecekleri konusunda çok daha ayrıntılı ayrıntılara giriyorlar.

Bulanık mantık ve kümeler bir tüketici ürünü olsaydı, pazarlama ve ürün evanjelizasyonu eksikliği ve bir marka adının paradoksal bir seçimi nedeniyle bugüne kadar başarısız olduğunu söyleyebiliriz. Bunu araştırırken, Minksy ve Papert'in algılayıcılarla ilgili meşhur makalesine benzer bir şekilde bu uygulamalardan herhangi birini reddetmeye çalışan tek bir akademik dergi makalesinde çalıştığımı hatırlayamıyorum. Hızlı teknik ilerlemenin olumlu bir yan etkisi olan benzer sorun setlerine uygulanabilir ürünler için geliştiricilerin, teorisyenlerin, veri bilimcilerinin ve benzerlerinin dikkatini çekmek için bugünlerde fikir pazarında çok fazla rekabet var. Dezavantajı, özellikle en uygun oldukları veri modelleme alanında, seçilmemiş birçok düşük asılı meyvenin olmasıdır.


2

Bulanık mantık fikirlerinin modadan (ML) düşmesinin nedeni benim için net değil. Teknik, sosyolojik vb.Gibi birçok nedenden biraz iyi olabilir ... Kesin olan bir şey, ML'nin son yıllarındaki matematiğine, bulanık mantığın olduğu iki alan olan olasılık / istatistik ve optimizasyonun hakim olduğu. (veya bulanık literatürden yayınlanan fikirler) doldurulabilir, ancak genellikle sorulardan daha fazla cevap getirir. Olasılıklar ve optimizasyonun bir diğer avantajı, içlerinde farklı eğilimler / yorumlamalar olsa da (örneğin Bayesli ve frekansçılara karşı), temel biçimsel / matematiksel çerçevenin bunlar için oldukça kararlıdır (bence, bulanık mantık için daha az açıktır geniş anlamda anlaşılır).

  • Hüllermeier, E. (2015). Makine öğrenimi bulanık mantığa ihtiyaç duyuyor mu? Bulanık Kümeler ve Sistemler, 281, 292-299.

Bulanık mantığın temel fikrinden biri, yani kademeli olan ve bununla ilişkili akıl yürütme araçları (esas olarak mantık genişletmek, ancak sadece değil) sağlamak için kavramları modellemek, son zamanlarda dahil olmak üzere bazı ML fikirlerinde hala mevcut. Sadece oldukça nadir olduğu için dikkatlice bakmanız gerekir. İki örnek şunları içerir:

  • Farnadi, G., Bach, SH, Moens, MF, Getoor, L. ve De Cock, M. (2017). İstatistiksel ilişkisel öğrenmede yumuşak nicemleme. Makine Öğrenimi, 106 (12), 1971-1991. (referanslar Zadeh seminal kağıdı dahil olmak üzere bulanık mantık içerir)
  • Cheng, W., Rademaker, M., De Baets, B. ve Hüllermeier, E. (2010, Eylül). Kısmi emirleri tahmin etme: çekimser sıralama. Veritabanlarında makine öğrenimi ve bilgi keşfi üzerine ortak Avrupa konferansında (s. 215-230). Springer, Berlin, Heidelberg.

Genel olarak, sorunuzu daha kişisel bir zeminde cevaplamak için, benim duygularım, bulanık mantığın (ML'nin son görüşlerinde), olasılıkların sağlayamadığı ve ikincisinin çok daha eski ve açıkça uyduğuna dair net bir algı olmadığıdır. olasılıksal bir popülasyondan yayınlanan verileri görmek için ML çerçevesi ile daha iyi, olasılık mantığıyla ve istatistiklerle gitmek daha doğaldı. Bu aynı zamanda, ML'de bulanık mantık kullanmak istiyorsanız, bunun için ikna edici, iyi bir neden sunmanız gerektiği anlamına gelir (örneğin, derin öğrenmeye mantıksal kuralları dahil edebilmeniz için farklı fonksiyonları sağlayarak mantığı genişletmeleri gerçeğini kullanarak) teknikler).

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.