Що коли-небудь траплялося з Fuzzy Logic?

Нечітка логіка здавалася активною сферою досліджень машинного навчання та видобутку даних ще в школі (на початку 2000-х). Системи нечітких висновків, нечіткі c-засоби, нечіткі версії різних нейронних мереж та архітектури вектора підтримки машин викладалися на курсах та обговорювались на конференціях.

Оскільки я знову почав звертати увагу на ML (~ 2013), Fuzzy Logic, здається, повністю скинув карту, і її відсутність у нинішньому ландшафті ML є помітною, враховуючи всю ажіотаж.

Це був випадок того, що тема просто випадала з моди, чи було специфічне обмеження нечіткої логіки та нечіткого умовиводу, що призвело до того, що дослідник відмовився від теми?

Для уточнення, виходячи з коментаря jbowman: чи була якась подія чи висновок, що змусив FL вийти з моди, подібно, наприклад, нейронним мережам у 60-х, коли вони вийшли з моди, оскільки було доведено, що вони не можуть вирішити XOR ? Або Fuzzy Systems перемогла конкуруюча парадигма?

Моя відповідь технічно більше стосується нечітких наборів, а не нечіткої логіки, але ці дві концепції практично нероздільні. Я поглибився у статті академічного журналу про нечітку логіку пару років тому, щоб написати підручник із впровадження нечітких наборів у SQL Server . Хоча мене навряд чи можна вважати експертом, я досить добре знайомий з літературою і регулярно використовую методики для вирішення практичних проблем. Сильне враження, яке я отримав від опублікованого дослідження, полягає в тому, що практичний потенціал нечітких наборів все ще невикористаний, головним чином, завдяки цілому дослідженню десятків інших сімей методів, які дозволяють вирішити додаткові набори питань.

Переповнений ринок ідей у ​​галузі наукових даних / машинного навчання тощо.

Настільки швидкий прогрес у підтримці векторних машин, нейронних мереж, випадкових лісів тощо, що неможливо фахівцям, аналітикам, науковцям даних, програмістам або споживачам своєї продукції не відставати від цього всього. У своїй серії публікацій в блозі я дуже довго розмовляю про те, як розробка алгоритмів нечітких наборів і логічних, як правило, на 20+ років випереджає наявне програмне забезпечення, але те саме можна сказати і для багатьох суміжних сфер; Я інтенсивно читаю на нейронних мережах і можу придумати десятки цінних нейронних архітектур, які були розроблені десятиліттями тому, але ніколи не застосовувалися широко на практиці, не кажучи вже про закодовані в легко доступному програмному забезпеченні. Незважаючи на те, що нечітка логіка та набори на цьому переповненому ринку ідей є нечесним наслідком, головним чином, через їхню динаміку, яка була суперечливою, коли Лофті А. Заде вигадав її. Сенс нечітких методів полягає в простому наближенні певних класів дискретно оцінених даних на безперервній шкалі, але такі терміни, як "приблизна безперервна логіка" та "градуйовані множини", не є точно привабливими. Заде зізнався, що він вживає частково термін "нечітке", оскільки це привертає увагу, але, озираючись назад, це, можливо, тонко привернуло неправильний вид уваги.

Як термін "Fuzz" відступає

Для вченого, аналітика чи програміста даних це термін, який може викликати вібро «крутих технологій»; тим, хто зацікавлений у AI / пошуку даних / тощо. тощо, лише якщо це може вирішити бізнес-проблеми, "нечіткі" звучать як непрактичні клопоти. Для корпоративного менеджера, лікаря, який займається медичними дослідженнями, або будь-якого іншого споживача, який не знає, це може викликати зображення опудалої тварини, шоу копів 70-х років чи щось із холодильника Джорджа Карліна. Між двома групами в промисловості завжди виникала напруга, при цьому остання часто відмовлялася від написання коду та проведення досліджень лише заради інтелектуальної цікавості, а не для отримання прибутку; якщо перша група не зможе пояснити, чому ці нечіткі методи вигідні, тоді настороженість першої заважатиме їх прийняттю.

Управління невизначеністю та сімейство нечітких додатків

Сенс нечітких заданих методів полягає у видаленнінечіткість, яка вже притаманна даним, у вигляді неточних дискретних значень, які можна краще моделювати на наближених безперервних масштабах, всупереч розповсюдженому помилковому уявленню, що "fuzz" - це щось, що ви додаєте, як спеціальний відлив піци. Це розмежування може бути простим, але воно охоплює широкий спектр потенційних застосувань, починаючи від обробки природних мов і закінчуючи теорією рішень до контролю нелінійних систем. Ймовірність не поглинула нечітку логіку, як запропонував Cliff AB насамперед, тому що це лише невелика підмножина інтерпретацій, яка може бути приєднана до нечітких значень. Функції нечіткого членства досить прості, оскільки вони просто оцінюють, скільки записів належить певному набору, присвоюючи одне або більше безперервних значень, як правило, за шкалою від 0 до 1 (хоча для деяких додатків я ' я виявив, що від 1 до 1 може бути корисніше). Значення, яке ми присвоюємо цим числам, залежить від нас, оскільки вони можуть означати все, що ми хочемо, такі як байєсівські ступеня віри, впевненість у певному рішенні, можливості розподілу можливостей, активація нейронної сітки, масштабована дисперсія, кореляція тощо тощо. не лише значення PDF, EDF або CDF. Я детальніше розглядаю свої серії блогу та вця публікація в CV , значна частина якої була отримана, працюючи через мій улюблений нечіткий ресурс, Джордж Дж. Клір, і нечіткі набори Бо Юаня та нечітка логіка: теорія та застосування (1995). Вони детальніше розглядають, як вивести цілі програми „Управління невизначеністю” з нечітких наборів.

Якщо нечітка логіка та набори були споживчим продуктом, ми можемо сказати, що це не вдалося на сьогодні через відсутність маркетингу та євангелізації товару, а також парадоксальний вибір торгової марки. Досліджуючи це, я не можу пригадати, щоб зіткнутися з однією статтею академічного журналу, яка намагалася розвінчувати будь-яку з цих заявок таким чином, як похмільна стаття Мінксі та Паперта про рецептори. На сьогоднішній день на ринку ідей існує дуже велика конкуренція за увагу розробників, теоретиків, науковців даних тощо для продуктів, які застосовуються до подібних наборів проблем, що є позитивним побічним ефектом швидкого технічного прогресу. Мінус полягає в тому, що тут багато фруктів, що звисають, які не підбираються, особливо в царині моделювання даних, де вони найбільш застосовні.

Причина, чому нечіткі логічні ідеї випали з моди (в ML), мені незрозуміла. Можливо, це може бути багато причин, будь то технічні, соціологічні тощо. Одне впевнене - це те, що в математиці ML протягом останніх років переважали ймовірність / статистика та оптимізація, два поля, в яких нечітка логіка (або ідеї, видані з нечіткої літератури) можуть заповнити, але в яких вони зазвичай приносять більше відповідей, ніж питань. Ще однією перевагою ймовірностей та оптимізації є те, що, хоча можуть існувати різні тенденції / інтерпретація всередині них (наприклад, Байесія проти частотних лікарів), основна формально-математична база є досить стійкою для них (на мою думку, це менш зрозуміло для нечіткої логіки розуміється в широкому сенсі).

• Hüllermeier, E. (2015). Чи потрібне машинне навчання нечіткої логіки ?. Нечіткі набори та системи, 281, 292-299.

Думаю, одна з основних ідей нечіткої логіки, тобто моделювання понять, які поступово і надають інструменти міркування (в основному розширюють логіку, але не тільки), пов'язані з нею, як і раніше, є в деяких ідеях МЛ, в тому числі дуже останніх. Потрібно просто уважно його доглядати, оскільки це досить рідко. Два приклади:

• Farnadi, G., Bach, SH, Moens, MF, Getoor, L., & De Cock, M. (2017). М'яке кількісне визначення в статистичному реляційному навчанні. Машинне навчання, 106 (12), 1971-1991. .
• Cheng, W., Rademaker, M., De Baets, B., & Hüllermeier, E. (2010, вересень). Прогнозування часткових замовлень: рейтинг із утриманням. У спільній європейській конференції з питань машинного навчання та відкриття знань у базах даних (с. 215-230). Спрингер, Берлін, Гейдельберг.

В цілому, щоб відповісти на ваше запитання на більш особистому ґрунті, я відчуваю, що не існує чіткого уявлення про те, що нечітка логіка може бути виконана (за останніми поглядами на ML), що ймовірності не могли, і оскільки остання набагато старша і явно підходить краще, якщо в рамках МЛ бачити дані, видані від імовірнісної сукупності, то природніше було йти з вірогідністю та статистикою, ніж з нечіткою логікою. Це також означає, що якщо ви хочете використовувати нечітку логіку в ML, вам потрібно подати переконливу, вагому причину для цього (наприклад, використовуючи той факт, що вони розширюють логіку, надаючи диференційовані функції, щоб ви могли включати логічні правила в глибоке навчання прийоми).