[論文レビュー] Dealing with uncertainty in fuzzy inductive reasoning methodology

Francisco Mugica, Àngela Nebot+1 more|arXiv (Cornell University)|Oct 19, 2012

Fuzzy Logic and Control Systems参考文献 6被引用数 3

ひとこと要約

本論文は、Fuzzy Inductive Reasoning (FIR)における不確実性を管理するためのハイブリッドパターン／ファジールール戦略を提案する。誤差モデルを用いて、高不確実性領域ではパターンルールとSugenoファジールールを組み合わせ、低不確実性領域ではSugenoルールのみを適用する。このアプローチにより、不確実性のあるデータ下でも予測精度と耐性が向上し、心血管制御モデリングの実世界の応用で妥当性が確認された。

ABSTRACT

The aim of this research is to develop a reasoning under uncertainty strategy in the context of the Fuzzy Inductive Reasoning (FIR) methodology. FIR emerged from the General Systems Problem Solving developed by G. Klir. It is a data driven methodology based on systems behavior rather than on structural knowledge. It is a very useful tool for both the modeling and the prediction of those systems for which no previous structural knowledge is available. FIR reasoning is based on pattern rules synthesized from the available data. The size of the pattern rule base can be very large making the prediction process quite difficult. In order to reduce the size of the pattern rule base, it is possible to automatically extract classical Sugeno fuzzy rules starting from the set of pattern rules. The Sugeno rule base preserves pattern rules knowledge as much as possible. In this process some information is lost but robustness is considerably increased. In the forecasting process either the pattern rule base or the Sugeno fuzzy rule base can be used. The first option is desirable when the computational resources make it possible to deal with the overall pattern rule base or when the extracted fuzzy rules are not accurate enough due to uncertainty associated to the original data. In the second option, the prediction process is done by means of the classical Sugeno inference system. If the amount of uncertainty associated to the data is small, the predictions obtained using the Sugeno fuzzy rule base will be very accurate. In this paper a mixed pattern/fuzzy rules strategy is proposed to deal with uncertainty in such a way that the best of both perspectives is used. Areas in the data space with a higher level of uncertainty are identified by means of the so-called error models. The prediction process in these areas makes use of a mixed pattern/fuzzy rules scheme, whereas areas identified with a lower level of uncertainty only use the Sugeno fuzzy rule base. The proposed strategy is applied to a real biomedical system, i.e., the central nervous system control of the cardiovascular system.

研究の動機と目的

• システムの構造的知識が事前に入手できない状況におけるFuzzy Inductive Reasoning (FIR)における不確実性に対処すること。
• 大規模なパターンルールベースの計算負荷を低減しつつ、予測精度を維持すること。
• 局所的な不確実性レベルに応じて、パターンルールとSugenoファジールールの動的選択を行う戦略を開発すること。
• 誤差モデルを統合してデータ不確実性を評価することにより、予測の耐性と正確性を向上させること。
• 実世界の医療系システムとして、心血管系の中枢神経系制御を対象にした妥当性の検証を行うこと。

提案手法

• データ空間内の異なる領域における不確実性を定量化するため、誤差モデルを構築する。
• これらの誤差モデルを用いて高不確実性領域を特定し、ハイブリッドパターン／ファジールール戦略の適用をトリガーする。
• 低不確実性領域では、古典的Sugenoファジールールインフェンスシステムのみを用いて予測を行う。
• 高不確実性領域では、パターンルールとSugenoファジールールを併用して信頼性を向上させる。
• 古典的Sugenoファジールールを元のパターンルールベースから自動で抽出し、複雑性を低減する。
• パターンルール知識の大部分を保持しつつ、ファジールールの抽象化によって耐性を強化する。

実験結果

リサーチクエスチョン

• RQ1 Fuzzy Inductive Reasoningの文脈において、データの不確実性を効果的に測定・局所化する方法は何か？
• RQ2 異なる不確実性領域で、パターンルールとSugenoファジールールを最適に活用する戦略は何か？
• RQ3 単一のルールタイプのみを用いる場合と比較して、ハイブリッドルールベースシステムは予測精度と耐性を向上させられるか？
• RQ4 本手法は、固有のデータ不確実性を有する実世界の医療系システムで、どのように性能を発揮するか？
• RQ5 誤差モデルの使用が、不確実性の高いデータ領域における予測の信頼性をどの程度向上させるか？

主な発見

• ハイブリッド戦略により、パターンルールとSugenoファジールールの長所を組み合わせることで、高不確実性領域における予測精度が顕著に向上した。
• 低不確実性領域では、Sugenoファジールールベースのみで高い予測精度が得られ、計算コストも低減された。
• 誤差モデルの使用により、より耐性のあるハイブリッドルール処理を要する領域の特定が効果的に行えた。
• パターンルールをSugenoルールに抽象化する過程で情報損失を最小限に抑えることで、高い耐性を維持した。
• 本手法は、中枢神経系による心血管系制御のモデリングに成功し、実用的有用性を示した。
• 不確実性レベルに応じた動的ルール選択により、静的ルール適用よりも優れた全体的な予測性能が得られた。