Что случилось с Fuzzy Logic?

Нечеткая логика казалась активной областью исследований в области машинного обучения и интеллектуального анализа данных, когда я учился в аспирантуре (в начале 2000-х). Системы нечеткого вывода, нечеткие c-средства, нечеткие версии различных нейронных сетей и архитектуры машин опорных векторов преподавались на курсах повышения квалификации и обсуждались на конференциях.

Поскольку я снова начал обращать внимание на ML (~ 2013 г.), Fuzzy Logic, похоже, полностью исчезла с карты, и ее отсутствие в текущем ландшафте ML заметно, учитывая всю шумиху вокруг AI.

Был ли это случай, когда тема просто вышла из моды, или было определенное ограничение нечеткой логики и нечеткого вывода, которое привело к тому, что исследователи отказались от этой темы?

Чтобы уточнить, основываясь на комментарии jbowman: было ли какое-то событие или находка, которые привели к тому, что FL вышла из моды, как, например, нейронные сети в 60-х годах, когда они вышли из моды, потому что было доказано, что они не могут решить XOR ? Или Fuzzy Systems превзошли конкурирующую парадигму?

Мой ответ технически больше относится к нечетким множествам, чем к нечеткой логике, но эти два понятия практически неразделимы. Пару лет назад я углубился в статьи из академического журнала по нечеткой логике, чтобы написать серию руководств по реализации нечетких множеств в SQL Server . Хотя меня вряд ли можно считать экспертом, я достаточно хорошо знаком с литературой и регулярно использую методы для решения практических задач. Сложившееся впечатление, которое я почерпнул из опубликованных исследований, состоит в том, что практический потенциал нечетких множеств все еще не раскрыт, главным образом из-за потока исследований десятков других семейств методов, которые могут решить дополнительные вопросы.

Переполненный рынок идей в науке о данных / машинном обучении и т. Д.

В машинах опорных векторов, нейронных сетях, случайных лесах и т. Д. Произошел такой быстрый прогресс, что специалистам, аналитикам, специалистам по данным, программистам или потребителям их продуктов невозможно не отставать от всего этого. В своей серии постов в блоге я подробно рассказываю о том, как разработка алгоритмов для нечетких и логических множеств, как правило, на 20 с лишним лет опережает доступное программное обеспечение, но то же самое можно сказать и о многих смежных областях; Я интенсивно читаю о нейронных сетях и могу вспомнить множество полезных нейронных архитектур, которые были разработаны десятилетия назад, но никогда не применялись широко на практике, не говоря уже о кодировании в легко доступном программном обеспечении. Это сказанное, нечеткая логика и наборы находятся в странном недостатке на этом переполненном рынке идей, главным образом из-за их прозвища, которое было спорным назад, когда Лофти А. Заде придумал это. Смысл нечетких методов состоит в том, чтобы просто аппроксимировать определенные классы дискретно оцениваемых данных в непрерывных масштабах, но такие термины, как «приближенная непрерывнозначная логика» и «градуированные множества» не совсем привлекательны. Заде признался, что использовал термин «нечеткий» отчасти потому, что он привлекал внимание, но, оглядываясь назад, он, возможно, слегка привлек неправильный тип внимания.

Как термин «пушинка» имеет неприятные последствия

Для исследователя данных, аналитика или программиста это термин, который может вызвать ощущение «крутой технологии»; для тех, кто заинтересован в искусственном интеллекте / интеллектуального анализа данных / и т.д. и т. д. только в той мере, в которой это может решить бизнес-проблемы, «нечеткие» звучит как непрактичная стычка. Корпоративному менеджеру, врачу, участвующему в медицинских исследованиях, или любому другому незнакомому потребителю, он может вызвать изображения чучел животных, показы полицейских 70-х или что-то из холодильника Джорджа Карлина. В промышленности всегда было напряжение между двумя группами, причем последние часто обуздывали первую из-за написания кода и проведения исследований только ради интеллектуального любопытства, а не для получения прибыли; если первая группа не сможет объяснить, почему эти нечеткие методы выгодны, то осторожность первой помешает их принятию.

Управление неопределенностью и семейство приложений Fuzzy Set

Смысл техники нечетких множеств состоит в том, чтобы удалитьFuzz, который уже присущ данным, в виде неточных дискретных значений, которые можно лучше смоделировать в приближенных непрерывных масштабах, вопреки широко распространенному заблуждению о том, что «Fuzz» - это то, что вы добавляете, например, специальное дополнение к пицце. Это различие может быть простым, но оно охватывает широкий спектр потенциальных приложений - от обработки естественного языка до теории принятия решений и управления нелинейными системами. Вероятность не поглотила нечеткую логику, как предположил Клифф А.Б., в первую очередь потому, что это лишь небольшое подмножество интерпретаций, которые можно присоединить к нечетким значениям. Нечеткие функции принадлежности довольно просты в том смысле, что они просто оценивают, насколько запись принадлежит определенному набору, присваивая одно или несколько непрерывных значений, обычно по шкале от 0 до 1 (хотя для некоторых приложений я мы обнаружили, что -1 к 1 может быть более полезным). Значение, которое мы присваиваем этим числам, зависит от нас, потому что они могут обозначать все, что мы хотим, такие как байесовские степени убежденности, уверенность в конкретном решении, распределения возможностей, активации нейронных сетей, масштабная дисперсия, корреляция и т. Д. И т. Д., не только значения PDF, EDF или CDF. Я вхожу в гораздо более подробно в моей серии блогов и вэто резюме , большая часть которого была получена благодаря работе с моим любимым нечетким ресурсом, Джорджем Дж. Клиром, и нечеткими наборами Бо Юаня и нечеткой логикой: теория и приложения (1995). Они более подробно рассказывают о том, как выводить целые программы «Управления неопределенностью» из нечетких множеств.

Если бы нечеткая логика и наборы были потребительским продуктом, мы могли бы сказать, что до сих пор это не удалось из-за отсутствия маркетинга и евангелизации продукта, а также из-за парадоксального выбора торговой марки. Исследуя это, я не могу вспомнить одну статью в академическом журнале, в которой пытались разоблачить любое из этих приложений способом, схожим с печально известной статьей Минкси и Паперта о персептронах. В настоящее время на рынке идей много конкурентов за внимание разработчиков, теоретиков, специалистов по данным и т. П. К продуктам, которые применимы к подобным комплексам проблем, что является положительным побочным эффектом быстрого технического прогресса. Недостатком является то, что здесь есть много незатронутых плодов, которые не раскрыты, особенно в области моделирования данных, где они наиболее применимы.

Причина, по которой идеи нечеткой логики вышли из моды (в ОД), мне неясна. Вполне может быть несколько причин, будь то технические, социологические и т. Д. Одна вещь наверняка состоит в том, что в математике ОД в последние годы преобладали вероятность / статистика и оптимизация, две области, в которых нечеткая логика (или идеи, выдвинутые из нечеткой литературы) могут заполнить, но они обычно приносят больше ответов, чем вопросов. Еще одно преимущество вероятностей и оптимизации заключается в том, что, хотя в них могут быть разные тренды / интерпретации (например, байесовские и частые), базовая формальная / математическая структура довольно устойчива для них (на мой взгляд, она менее ясна для нечеткой логики). понял в широком смысле).

• Hüllermeier E. (2015). Нужно ли машинному обучению нечеткую логику? Нечеткие множества и системы, 281, 292-299.

Я думаю, что одна из основных идей нечеткой логики, которая заключается в моделировании понятий, которые являются постепенными и предоставляют инструменты рассуждения (в основном расширяющие логику, но не только), связанные с ней, все еще присутствует в некоторых идеях ML, в том числе в самых недавних. Вы просто должны внимательно посмотреть на это, так как это довольно редко. Два примера включают в себя:

• Фарнади Г., Бах С.Х., Моенс М.Ф., Гетур Л. и Де Кок М. (2017). Мягкая количественная оценка в статистическом реляционном обучении. Машинное обучение, 106 (12), 1971-1991. (где ссылки включают нечеткие логические, включая оригинальную статью Заде)
• Cheng W., Rademaker M., De Baets B. и Hüllermeier E. (2010, сентябрь). Прогнозирование частичных заказов: ранжирование с воздержанием. В Совместной европейской конференции по машинному обучению и открытию знаний в базах данных (с. 215-230). Спрингер, Берлин, Гейдельберг.

В целом, чтобы ответить на ваш вопрос на более личной основе, я чувствую, что нет четкого восприятия того, что нечеткая логика могла бы достичь (в недавних взглядах на ОД), чего не могли бы получить вероятности, и поскольку последний намного старше и явно соответствует Лучше, если в рамках ML рассматривать данные, полученные от вероятностного населения, было более естественно использовать вероятности и статистику, чем нечеткую логику. Это также означает, что если вы хотите использовать нечеткую логику в ML, вам необходимо представить убедительную и вескую причину для этого (например, использовать тот факт, что они расширяют логику, предоставляя дифференцируемые функции, чтобы вы могли включать логические правила в глубокое обучение техники).