[論文レビュー] From knowledge-based to data-driven modeling of fuzzy rule-based systems: A critical reflection

Eyke Hüllermeier|arXiv (Cornell University)|Dec 2, 2017

Fuzzy Logic and Control Systems参考文献 16被引用数 4

ひとこと要約

この論文は、ファジィルールベースシステムにおける知識中心のモデルからデータ中心のモデルへの移行を批判的に検討し、従来のファジィルールシステムが平坦で階層的でない構造をとっているため、大規模かつデータ集約的な応用においては解釈可能性が損なわれるおそれがあるとして、そのようなシステムが大規模でデータ集約的な応用に不適切であると主張する。主な貢献は、スケーラビリティとデータ駆動の文脈における認知的妥当性をよりよくサポートする、階層的で機能的なアプローチによるファジィモデリングの再考を提唱することにある。

ABSTRACT

This paper briefly elaborates on a development in (applied) fuzzy logic that has taken place in the last couple of decades, namely, the complementation or even replacement of the traditional knowledge-based approach to fuzzy rule-based systems design by a data-driven one. It is argued that the classical rule-based modeling paradigm is actually more amenable to the knowledge-based approach, for which it has originally been conceived, while being less apt to data-driven model design. An important reason that prevents fuzzy (rule-based) systems from being leveraged in large-scale applications is the flat structure of rule bases, along with the local nature of fuzzy rules and their limited ability to express complex dependencies between variables. This motivates alternative approaches to fuzzy systems modeling, in which functional dependencies can be represented more flexibly and more compactly in terms of hierarchical structures.

研究の動機と目的

• ファジィルールベースシステムにおける知識中心のモデリングからデータ中心のモデリングへの移行を批判的に評価すること。
• 複雑で高次元のデータ依存関係を扱う際、フラットなルールベースファジィシステムに内在する制限を特定すること。
• データ駆動型ファジィモデルがエキスパートが設計したシステムと同様に解釈可能で認知的に妥当であるという仮定を疑問視すること。
• 特に階層的および機能的構造を含む代替モデリングアプローチを提唱し、データ駆動の文脈におけるスケーラビリティと意味のある表現をよりよくサポートすること。
• 古典的ファジィシステムの設計原則と、特にビッグデータ環境における現代の機械学習の要件との間の不一致を強調すること。

提案手法

• 標準的なファジィルールベースシステムの構造的制限、特にフラットなルールベースアーキテクチャの分析。
• エキスパートが設計したファジィモデルの認知的利点と解釈可能性の優位性を、データ駆動型ルール抽出の課題と対比して検討。
• データ駆動型ファジィセット構築が言語的ラベルの割り当てと意味的意味に与える影響の分析。
• 推論メカニズムとルール集約の役割が、モデルの透明性と解釈可能性を維持する上で果たす役割の検証。
• 階層的または機能的モデリングアプローチ（例：パターンツリー）が、フラットなルールベースに比べてよりスケーラブルで解釈可能な代替手段を提供できることの提言。
• 一般化、効率性、モデル選択の支援といった観点から、主流の機械学習手法と比較してファジィルールシステムの理論的およびアルゴリズム的欠陥の評価。

実験結果

リサーチクエスチョン

• RQ1 なぜ伝統的なファジィルールベースシステムのパラダイムは、大規模応用におけるデータ駆動型モデル導出に不適切なのであろうか？
• RQ2 どの程度まで、データ駆動型ルール抽出がファジィモデルの解釈可能性と認知的妥当性を損なうのであろうか？
• RQ3 フラットなルールベースの構造的制限は、現代のデータ集約的分野における複雑で高次元の依存関係のモデリングをどの程度妨げるのか？
• RQ4 どのような代替モデリングパラダイムが、データ駆動型ファジィシステムにおけるスケーラビリティと意味のある表現をよりよくサポートできるのか？
• RQ5 データ駆動型ファジィモデルは、ファジィ論理の核心的利点たる人間が読み取り可能な言語的インターフェースをどのようないびつな形で維持しないのか？

主な発見

• 標準的なファジィルールベースのフラット構造は、スケーラビリティを著しく制限し、現代のデータ集約的応用で一般的な複雑で高次元の依存関係をモデル化することが困難である。
• データ駆動型ファジィセットの構築は、しばしば意味的意味を持たない所属関数を生じさせ、外れ値などのデータアーチファクトの影響を強く受ける。
• ファジィモデルの解釈可能性—しばしば主な利点とされる—は、モデルが自動的にデータから抽出された場合に著しく損なわれる。これは、言語的ラベルが共有される意味的基盤を失うためである。
• 人間のエキスパートがモデルの出処ではなく、データによって生成されたモデルの利用者にのみなっている場合、ファジィルールシステムは人間と機械のインターフェースとしての主な利点を失う。
• 知識中心からデータ中心へのモデリングへの移行は、ファジィ論理が人間の専門知識を透明で認知的に妥当な形で形式化するという、もともとの目的を損なう。
• 現代の機械学習手法は、アルゴリズム的効率性、理論的保証（例：一般化性能）、およびモデル選択の支援という観点で、大規模な設定において、伝統的なファジィルールシステムを上回っている。