Fuzzy-Logik schien ein aktives Forschungsgebiet im Bereich maschinelles Lernen und Data Mining zu sein, als ich in der Graduiertenschule war (Anfang der 2000er Jahre). Fuzzy-Inferenzsysteme, Fuzzy-C-Mittel, Fuzzy-Versionen der verschiedenen neuronalen Netze und Support-Vektor-Maschinenarchitekturen wurden in Abschlusskursen unterrichtet und auf Konferenzen diskutiert.
Seit ich wieder auf ML geachtet habe (~ 2013), scheint Fuzzy Logic vollständig von der Karte gefallen zu sein, und seine Abwesenheit von der aktuellen ML-Landschaft ist angesichts des KI-Hype auffällig.
War dies ein Fall, in dem ein Thema einfach aus der Mode kam, oder gab es eine spezifische Einschränkung der Fuzzy-Logik und der Fuzzy-Inferenz, die dazu führte, dass das Thema von Forschern aufgegeben wurde?
Zur Verdeutlichung, basierend auf Jbowmans Kommentar: Gab es ein Ereignis oder einen Befund, der dazu führte, dass FL aus der Mode kam, ähnlich wie beispielsweise neuronale Netze in den 60er Jahren, als sie aus der Mode kamen, weil bewiesen wurde, dass sie XOR nicht lösen konnten ? Oder wurden Fuzzy-Systeme von einem konkurrierenden Paradigma übertroffen?
quelle
Antworten:
Meine Antwort ist technisch relevanter für Fuzzy-Mengen als für Fuzzy-Logik, aber die beiden Konzepte sind praktisch untrennbar miteinander verbunden. Ich habe mich vor ein paar Jahren mit den Artikeln in Fachzeitschriften über Fuzzy-Logik befasst, um eine Tutorial-Reihe zur Implementierung von Fuzzy-Sets in SQL Server zu schreiben . Obwohl ich kaum als Experte angesehen werden kann, bin ich mit der Literatur ziemlich vertraut und benutze die Techniken regelmäßig, um praktische Probleme zu lösen. Der starke Eindruck, den ich aus der veröffentlichten Forschung gewonnen habe, ist, dass das praktische Potenzial von Fuzzy-Mengen noch nicht ausgeschöpft ist, hauptsächlich aufgrund einer Flut von Forschungen über Dutzende anderer Familien von Techniken, die komplementäre Fragen lösen können.
Der überfüllte Marktplatz für Ideen in den Bereichen Data Science / Maschinelles Lernen usw.
Bei Support Vector Machines, neuronalen Netzen, zufälligen Wäldern usw. wurden so schnelle Fortschritte erzielt, dass es für Spezialisten, Analysten, Datenwissenschaftler, Programmierer oder Verbraucher ihrer Produkte unmöglich ist, mit all dem Schritt zu halten. In meiner Reihe von Blog-Posts spreche ich ausführlich darüber, wie die Entwicklung von Algorithmen für Fuzzy-Mengen und Logik der verfügbaren Software in der Regel mehr als 20 Jahre voraus ist, aber das Gleiche gilt für viele verwandte Bereiche. Ich lese intensiv über neuronale Netze und kann mir Dutzende wertvoller neuronaler Architekturen vorstellen, die vor Jahrzehnten entwickelt, aber nie umfassend in die Praxis umgesetzt wurden, geschweige denn in leicht verfügbarer Software codiert wurden. Abgesehen davon sind Fuzzy-Logik und Mengen auf diesem überfüllten Marktplatz der Ideen ein merkwürdiger Nachteil, vor allem wegen ihres Spitznamens, der damals umstritten war, als Lofti A. Zadeh ihn prägte. Bei Fuzzy-Techniken geht es einfach darum, bestimmte Klassen von Daten mit diskretem Wert auf kontinuierlichen Skalen zu approximieren, aber Begriffe wie "ungefähre Logik mit kontinuierlichem Wert" und "abgestufte Mengen" sind nicht gerade ein Blickfang. Zadeh gab zu, dass er den Begriff "Fuzzy" teilweise verwendet hat, weil er Aufmerksamkeit erregt hat, aber im Rückblick hat er möglicherweise auf subtile Weise die falsche Aufmerksamkeit erregt.
Wie der Begriff "Fuzz" nach hinten losgeht
Für einen Datenwissenschaftler, Analysten oder Programmierer ist dies ein Begriff, der eine Atmosphäre von "cooler Technologie" hervorrufen kann. an diejenigen, die sich für KI / Data Mining / etc. interessieren. usw. nur insoweit, als es geschäftliche Probleme lösen kann, klingt "Fuzzy" wie ein unpraktischer Ärger. Für einen Unternehmensleiter, einen in die medizinische Forschung involvierten Arzt oder einen anderen nicht bekannten Verbraucher kann dies Bilder von Stofftieren, Shows von Polizisten aus den 70er Jahren oder etwas aus George Carlins Kühlschrank hervorrufen. In der Industrie gab es immer Spannungen zwischen den beiden Gruppen, wobei letztere häufig erstere daran hinderten, Code zu schreiben und Forschung nur aus Gründen der intellektuellen Neugier und nicht aus Profitgründen durchzuführen. Wenn die erste Gruppe nicht erklären kann, warum diese Fuzzy-Techniken rentabel sind, verhindert die Vorsicht der ersten ihre Annahme.
Unsicherheitsmanagement und die Familie der Fuzzy-Set-Anwendungen
Der Punkt der Fuzzy-Set-Techniken ist zu entfernenFuzz, der den Daten bereits inhärent ist, in Form von ungenauen diskreten Werten, die auf ungefähren kontinuierlichen Skalen besser modelliert werden können, im Gegensatz zu der weit verbreiteten falschen Wahrnehmung, dass "Fuzz" etwas ist, das Sie hinzufügen, wie ein spezielles Topping auf einer Pizza. Diese Unterscheidung mag einfach sein, umfasst jedoch eine Vielzahl potenzieller Anwendungen, die von der Verarbeitung natürlicher Sprache über die Entscheidungstheorie bis hin zur Steuerung nichtlinearer Systeme reichen. Die Wahrscheinlichkeit hat die Fuzzy-Logik nicht absorbiert, wie Cliff AB in erster Linie vorgeschlagen hat, da es sich nur um eine kleine Teilmenge der Interpretationen handelt, die an Fuzzy-Werte angehängt werden können. Fuzzy-Zugehörigkeitsfunktionen sind ziemlich einfach, da sie nur bewerten, wie viel ein Datensatz zu einem bestimmten Satz gehört, indem sie einen oder mehrere fortlaufende Werte zuweisen, normalerweise auf einer Skala von 0 bis 1 (obwohl für einige Anwendungen I ' Ich habe festgestellt, dass -1 zu 1 nützlicher sein kann. Die Bedeutung, die wir diesen Zahlen zuweisen, liegt bei uns, da sie alles bedeuten können, was wir wollen, wie z. B. Bayes'sche Glaubensgrade, Vertrauen in eine bestimmte Entscheidung, Möglichkeitsverteilungen, Aktivierung des neuronalen Netzes, skalierte Varianz, Korrelation usw. usw. nicht nur PDF-, EDF- oder CDF-Werte. Ich gehe in meiner Blogserie und bei viel detaillierter darauf einDieser Lebenslaufbeitrag , von dem ein Großteil aus der Arbeit mit meiner Lieblings-Fuzzy-Ressource George J. Klir und Bo Yuans Fuzzy-Sets und Fuzzy-Logik: Theorie und Anwendungen (1995) stammt. Sie gehen viel detaillierter darauf ein, wie ganze Programme des „Unsicherheitsmanagements“ aus Fuzzy-Mengen abgeleitet werden können.
Wenn Fuzzy-Logik und -Sets ein Verbraucherprodukt wären, könnten wir sagen, dass es aufgrund mangelnder Vermarktung und Produktevangelisierung sowie einer paradoxen Wahl eines Markennamens bisher nicht gelungen ist. Während ich dies recherchiere, kann ich mich nicht erinnern, auf einen einzigen Artikel in einer akademischen Zeitschrift gestoßen zu sein, der versucht hat, eine dieser Anwendungen auf eine Weise zu entlarven, die dem berüchtigten Artikel von Minksy und Papert über Perzeptrone ähnelt. Heutzutage gibt es auf dem Marktplatz der Ideen nur einen großen Wettbewerb um die Aufmerksamkeit von Entwicklern, Theoretikern, Datenwissenschaftlern und dergleichen für Produkte, die auf ähnliche Problemgruppen anwendbar sind, was ein positiver Nebeneffekt des schnellen technischen Fortschritts ist. Der Nachteil ist, dass es hier viele niedrig hängende Früchte gibt, die nicht ausgewählt werden, insbesondere im Bereich der Datenmodellierung, wo sie am besten anwendbar sind.
quelle
Der Grund, warum Fuzzy-Logik-Ideen (in ML) aus der Mode gekommen sind, ist mir unklar. Es kann viele Gründe geben, sei es technisch, soziologisch usw. Eine Sache ist sicher, dass die Mathematik der ML in den letzten Jahren von Wahrscheinlichkeit / Statistik und Optimierung dominiert wurde, zwei Bereichen, in denen Fuzzy-Logik (oder Ideen aus der Fuzzy-Literatur) können ausfüllen, aber in denen sie in der Regel mehr Antworten als Fragen bringen. Ein weiterer Vorteil von Wahrscheinlichkeiten und Optimierung besteht darin, dass sie zwar unterschiedliche Trends / Interpretationen enthalten können (z. B. Bayesian vs. Frequentisten), der grundlegende formale / mathematische Rahmen für diese jedoch eher stabil ist (meiner Meinung nach ist dies für die Fuzzy-Logik weniger klar im weitesten Sinne verstanden).
Ich denke, eine der Grundideen der Fuzzy-Logik, nämlich schrittweise Modelle zu modellieren und damit verbundene Argumentationswerkzeuge (hauptsächlich die Logik zu erweitern, aber nicht nur) bereitzustellen, ist in einigen ML-Ideen, einschließlich der jüngsten, noch vorhanden. Sie müssen nur sorgfältig danach suchen, da es eher selten ist. Zwei Beispiele sind:
Um Ihre Frage aus einem persönlicheren Grund zu beantworten, habe ich das Gefühl, dass es keine klare Vorstellung davon gibt, was Fuzzy-Logik (in jüngsten Ansichten von ML) erreichen könnte, was Wahrscheinlichkeiten nicht könnten, und da letztere viel älter ist und eindeutig passt Mit dem ML-Rahmen, Daten aus einer probabilistischen Population zu sehen, war es natürlicher, mit Wahrscheinlichkeit und Statistik zu arbeiten als mit Fuzzy-Logik. Dies bedeutet auch, dass Sie, wenn Sie Fuzzy-Logik in ML verwenden möchten, einen überzeugenden, guten Grund dafür angeben müssen (z. B. die Tatsache, dass sie die Logik erweitern, indem sie differenzierbare Funktionen bereitstellen, damit Sie logische Regeln in das Deep Learning einbeziehen können Techniken).
quelle