퍼지 로직은 어떻게 되었습니까?

퍼지 로직 은 내가 대학원에있을 때 (2000 년대 초) 기계 학습 및 데이터 마이닝 분야에서 활발한 연구 분야처럼 보였다. 퍼지 추론 시스템, 퍼지 c- 평균, 다양한 신경망의 퍼지 버전 및 지원 벡터 머신 아키텍처는 모두 대학원 과정에서 강의되었으며 회의에서 논의되었습니다.

ML에 다시 관심을 갖기 시작한 이후 (~ 2013 년) 퍼지 로직은 맵을 완전히 떨어 뜨린 것으로 보이며 모든 AI 과대 광고로 인해 현재 ML 환경에서 부재가 눈에 띄게 나타납니다.

이것은 단순히 유행에서 벗어난 주제의 경우였습니까, 아니면 퍼지 논리와 퍼지 추론에 대한 특정 제한이 있었기 때문에 연구자들이 그 주제를 버렸습니다.

jbowman의 의견을 바탕으로 명확히하기 위해 : 60 년대의 신경망과 같이 FL이 유행을 벗어나게 한 사건이나 발견이 있었습니까? ? 아니면 퍼지 시스템이 경쟁 패러다임보다 성능이 우수 했습니까?

내 대답은 퍼지 논리가 아닌 퍼지 세트와 기술적으로 더 관련이 있지만 실제로는 두 개념을 분리 할 수 ​​없습니다. SQL Server에서 퍼지 세트 를 구현 하는 방법에 대한 자습서 시리즈를 작성하기 위해 몇 년 전 퍼지 논리에 대한 학술 저널 기사를 살펴 보았습니다 . 나는 전문가로 여겨 질 수는 없지만, 문헌에 상당히 익숙하고 기술을 정기적으로 사용하여 실제적인 문제를 해결합니다. 출판 된 연구에서 얻은 인상은 퍼지 세트의 실질적인 잠재력이 여전히 미완성이라는 것인데, 주로 보완적인 일련의 질문을 해결할 수있는 수십 가지의 다른 기술에 대한 연구가 많기 때문입니다.

데이터 과학 / 기계 학습 등의 아이디어가 가득한 시장

Support Vector Machines, 신경망, 랜덤 포레스트 등에서 급속히 발전하여 전문가, 분석가, 데이터 과학자, 프로그래머 또는 제품 소비자가 모든 것을 따라갈 수 없습니다. 필자는 일련의 블로그 게시물에서 퍼지 세트 및 논리 알고리즘의 개발이 일반적으로 사용 가능한 소프트웨어보다 20 년 이상 앞서는 방법에 대해 이야기하지만 많은 관련 분야에 대해서도 마찬가지입니다. 나는 신경망을 집중적으로 읽었으며 수십 년 전에 개발되었지만 쉽게 사용할 수있는 소프트웨어로 코딩되지는 않았지만 실제로 널리 보급되지 않은 수많은 가치있는 신경 아키텍처를 생각할 수 있습니다. 그럼에도 불구하고 퍼지 논리와 세트는이 복잡한 아이디어의 시장에서 주로 불리한 결과를 낳습니다. 주로 Lofti A. Zadeh가 코인을 만들었을 때 논란의 여지가있었습니다. 퍼지 기술의 요점은 단순히 특정 등급의 이산 적으로 가치가있는 데이터를 연속 스케일로 근사화하는 것입니다. 그러나 "대략적인 연속 값 논리"및 "계조 세트"와 같은 용어는 정확하게 눈길을 끄는 것은 아닙니다. Zadeh는 "퍼지"라는 용어가 주목을 받기 때문에 부분적으로 사용했음을 시인했지만 다시 되돌아 보면 잘못된 종류의 관심을 미묘하게 얻었을 수 있습니다.

용어 "퍼지"역효과

데이터 과학자, 분석가 또는 프로그래머에게 "멋진 기술"의 분위기를 불러 일으킬 수있는 용어입니다. AI / 데이터 마이닝 등에 관심이있는 사람들에게 비즈니스 문제를 해결할 수있는 한 "퍼지"는 비현실적인 번거 로움처럼 들립니다. 의료 연구에 관여 한 회사 관리자, 의사 또는 모르는 다른 소비자에게, 박제 된 동물, 70 년대 경찰 쇼 또는 George Carlin의 냉장고에서 나온 물건의 이미지를 불러 일으킬 수 있습니다. 두 그룹 간에는 산업계에서 긴장이 항상 있었으며, 후자는 종종 전자가 코드를 작성하지 않고 단지 이익보다는 지적 호기심을 위해 연구를 수행하는 데 주력했다. 첫 번째 그룹이 이러한 퍼지 기술이 왜 수익성이 있는지 설명 할 수 없다면 첫 번째 그룹의주의가 그들의 채택을 방해 할 것입니다.

불확실성 관리 및 퍼지 세트 애플리케이션 제품군

퍼지 세트 기술의 요점은 제거하는 것입니다"퍼지"가 피자에 특별한 토핑과 같이 추가된다는 잘못된 인식과는 달리, 대략적인 연속 스케일에서 더 잘 모델링 될 수있는 부정확 한 이산 값의 형태로 이미 데이터에 내재 된 퍼즈. 이러한 구별은 간단 할 수 있지만 자연 언어 처리에서 의사 결정 이론, 비선형 시스템 제어에 이르기까지 광범위한 잠재적 응용 분야를 포괄합니다. Cliff AB가 퍼지 값에 첨부 할 수있는 해석의 작은 하위 집합이기 때문에 클리프 AB가 주로 제안한 것처럼 확률은 퍼지 논리를 흡수하지 않았습니다. 퍼지 멤버쉽 함수는 하나 이상의 연속 값을 일반적으로 0 대 1의 스케일로 지정하여 특정 세트에 속하는 레코드의 등급을 매기기 만한다는 점에서 매우 간단합니다 (일부 응용 프로그램의 경우에도 ve는 -1에서 1이 더 유용 할 수 있음을 발견했습니다. 우리가 그 숫자에 부여하는 의미는 베이지안 신념, 특정 결정에 대한 확신, 가능성 분포, 신경망 활성화, 척도 분산, 상관 관계 등과 같이 원하는 것을 의미 할 수 있기 때문에 우리에게 달려 있습니다. PDF, EDF 또는 CDF 값만이 아닙니다. 내 블로그 시리즈와이 CV 게시물 은 대부분 내가 좋아하는 퍼지 리소스 인 George J. Klir 및 Bo Yuan의 퍼지 세트 및 퍼지 논리 : 이론 및 응용 프로그램 (1995)을 통해 도출되었습니다. 퍼지 세트에서“불확실성 관리”의 전체 프로그램을 도출하는 방법에 대해 훨씬 자세히 설명합니다.

퍼지 로직과 세트가 소비자 제품인 경우 마케팅 및 제품 복음화 부족과 브랜드 이름의 역설적 인 선택으로 인해 최신 정보가 제공되지 않았다고 말할 수 있습니다. 이것을 연구하는 동안 나는 Minksy와 Papert의 퍼셉트론에 대한 악명 높은 기사와 비슷한 방식으로 이러한 응용 프로그램을 공개하려고 한 학술 저널 기사를 실행 한 것을 기억할 수 없습니다. 요즘 아이디어 시장에서는 비슷한 문제에 적용 할 수있는 제품에 대한 개발자, 이론가, 데이터 과학자 등의 관심을 받기 위해 경쟁이 치열합니다. 이는 빠른 기술 진보의 긍정적 인 부작용입니다. 단점은 여기에 선택하지 않을 과일이 많이 있다는 것입니다. 특히 가장 적합한 데이터 모델링 영역에서 특히 그렇습니다.

퍼지 논리 아이디어가 유행을 벗어난 이유 (ML)는 분명하지 않습니다. 기술, 사회학 등 여러 가지 이유가있을 수 있습니다. 한 가지 확실한 점은 지난 몇 년 동안 ML의 수학이 퍼지 논리의 두 가지 분야 인 확률 / 통계 및 최적화에 의해 지배되었다는 것입니다 (또는 퍼지 문헌에서 발췌 한 아이디어)를 채울 수 있지만 일반적으로 질문보다 답변이 더 많습니다. 확률과 최적화의 또 다른 장점은 (예를 들어, 베이지안 대 잦은 주의자) 서로 다른 추세 / 통역이있을 수 있지만 기본 형식 / 수학적 프레임 워크는 기본 형식 / 수학적 프레임 워크가 다소 안정적이라는 것입니다. 넓은 의미로 이해).

• ül 러 마이어,이. (2015). 머신 러닝에는 퍼지 로직이 필요합니까? 퍼지 세트 및 시스템, 281, 292-299.

나는 퍼지 논리의 기본 아이디어 중 하나, 즉 점진적 개념을 모델링하고 이와 관련된 추론 도구 (주로 논리를 확장 할뿐 아니라)를 제공하는 것이 가장 최근의 아이디어를 포함하여 일부 ML 아이디어에 여전히 존재한다고 생각합니다. 다소 드물기 때문에주의해서 살펴 봐야합니다. 두 가지 예는 다음과 같습니다.

• Farnadi, G., Bach, SH, Moens, MF, Getoor, L., & De Cock, M. (2017). 통계적 관계 학습에서의 소프트 정량. 기계 학습, 106 (12), 1971-1991. (참고 문헌은 Zadeh 논문을 포함한 퍼지 논리를 포함한다)
• Cheng, W., Rademaker, M., De Baets, B., & Hüllermeier, E. (2010, September). 부분 주문 예측 : 결석으로 순위 지정. 데이터베이스의 기계 학습 및 지식 발견에 관한 유럽 공동 회의 (pp. 215-230). 스프링거, 베를린, 하이델베르크.

전반적으로, 더 개인적인 입장에서 귀하의 질문에 대답하기 위해, 퍼지 논리가 (ML의 관점에서) 확률이 달성 할 수 없었던 것에 대한 명확한 인식이 없으며 후자가 훨씬 오래되고 명확하게 맞는다는 느낌이 들었습니다. 확률 적 모집단에서 발행 된 데이터를 보는 ML 프레임 워크가 더 좋을수록 퍼지 논리보다 확률과 통계를 사용하는 것이 더 자연스러 웠습니다. 이는 ML에서 퍼지 로직을 사용하려면 설득력 있고 합당한 이유를 제시해야한다는 것을 의미합니다 (예 : 차별화 된 기능을 제공하여 로직을 확장하여 딥 러닝에 논리적 규칙을 포함 할 수 있음) 기법).