- Преобразование моделей глубокого RL в интерпретируемые нейро-нечеткие системы(arXiv)
Автор:Арне Геварт, Джонатан Пек, Иван Сайс
Аннотация . Глубокое обучение с подкреплением использует глубокую нейронную сеть для кодирования политики, которая обеспечивает очень хорошую производительность в широком диапазоне приложений, но широко считается моделью черного ящика. Более интерпретируемая альтернатива глубоким сетям представлена нейро-нечеткими контроллерами. К сожалению, нейро-нечетким контроллерам часто требуется большое количество правил для решения относительно простых задач, что затрудняет их интерпретацию. В этой работе мы представляем алгоритм преобразования политики из глубокой Q-сети в компактный нейро-нечеткий контроллер. Это позволяет нам обучать компактные нейро-нечеткие контроллеры путем дистилляции для решения задач, которые они не могут решить напрямую, сочетая гибкость глубокого обучения с подкреплением и интерпретируемость компактных баз правил. Мы демонстрируем алгоритм на трех известных средах из OpenAI Gym, где мы почти сравнялись по производительности с агентом DQN, используя всего от 2 до 6 нечетких правил.
2. Адаптивная нейро-нечеткая система с интегрированным выбором признаков и извлечением правил для многомерных задач классификации(arXiv)
Автор:Гуандун Сюэ, Цинь Чанг, Цзянь Ван, Кай Чжан, Нихил Р. Пал
Аннотация: основным ограничением нечетких или нейро-нечетких систем является их неспособность работать с многомерными наборами данных. Происходит это в первую очередь из-за использования Т-нормы, в частности, произведения или минимума (или его более мягкого варианта). Таким образом, почти нет работ, связанных с наборами данных размерностью более сотни или около того. Здесь мы предлагаем нейро-нечеткий фреймворк, который может обрабатывать наборы данных размерностью даже более 7000! В этом контексте мы предлагаем адаптивный софтмин (Ада-софтмин), который эффективно преодолевает недостатки «числового недополнения» и «фальшивого минимума», возникающие в существующих нечетких системах при решении многомерных задач. Мы называем это адаптивной нечеткой системой Такаги-Сугено-Канга (AdaTSK). Затем мы оснащаем систему AdaTSK для интегрированного выбора функций и извлечения правил. В этом контексте новая функция ворот вводится и внедряется только в последовательные части, которые могут определять полезные функции и правила на двух последовательных этапах обучения. В отличие от обычных баз нечетких правил, мы разрабатываем расширенную базу нечетких правил (En-FRB), которая поддерживает адекватные правила, но не увеличивает количество правил в геометрической прогрессии с размерностью, что обычно происходит для нечетких нейронных сетей. Интегрированная система выбора функций и извлечения правил AdaTSK (FSRE-AdaTSK) состоит из трех последовательных этапов: (i) выбор функций, (ii) извлечение правил и (iii) точная настройка. Эффективность FSRE-AdaTSK продемонстрирована на 19 наборах данных, пять из которых имеют размерность более 2000, в том числе два имеют размерность более 7000. Это может быть первый раз, когда нечеткие системы реализованы для классификации, включающей более 7000 входных признаков.
3. Диагностика болезни Паркинсона на основе анализа цикла походки с помощью интерпретируемой нейро-нечеткой системы интервального типа 2(arXiv)
Автор:рмин Салими-Бадр, Мохаммад Хашеми, Хамидреза Саффари
Аннотация: В этой статье представлен интерпретируемый классификатор, использующий нечеткую нейронную сеть интервального типа 2 для выявления пациентов, страдающих болезнью Паркинсона (БП), на основе анализа цикла походки. Предлагаемый метод использует клинические признаки, извлеченные из вертикальной силы реакции на землю (vGRF), измеряемой 16 носимыми датчиками, помещенными в подошвы обуви испытуемых, и изучает интерпретируемые нечеткие правила. Следовательно, эксперты могут проверить решение, принятое предложенным методом, на основе исследования огневой стойкости интерпретируемых нечетких правил. Кроме того, эксперты могут использовать извлеченные нечеткие правила для диагностики пациентов или корректировать их на основе своих знаний. Для повышения устойчивости предлагаемого метода к погрешностям и измерениям датчиков с шумом применяется нечеткая логика интервального типа 2. Для изучения нечетких правил предлагаются две парадигмы: 1- Подход пакетного обучения, основанный на кластеризации доступных образцов, применяется для извлечения начальных нечетких правил, 2- Предлагается дополнительное онлайн-обучение для улучшения базы правил, сталкивающейся с новыми помеченными образцами. Эффективность метода оценивается для классификации пациентов и здоровых людей в различных условиях, включая наличие шума или наблюдение новых случаев. Кроме того, производительность модели сравнивается с некоторыми предыдущими подходами машинного обучения с учителем и без учителя. Окончательные точность, точность, полнота и оценка F1 предлагаемого метода составляют 88,74%, 89,41%, 95,10% и 92,16%. Наконец, сообщается об извлеченных нечетких наборах для каждого признака.
