[论文解读] Literature Review of the Recent Trends and Applications in various Fuzzy Rule based systems

Ayush K. Varshney, Vicenç Torra|arXiv (Cornell University)|Sep 15, 2022

Fuzzy Logic and Control Systems被引用 4

一句话总结

本文对2010至2021年间的模糊规则系统（FRBSs）进行了全面的文献综述，重点探讨了遗传、分层、神经模糊、演化、大数据、数据不平衡、基于聚类中心的以及可解释性FRBSs等新兴趋势与应用。研究识别出神经模糊系统、大数据应用和可解释性为当前最活跃的研究领域，同时指出了在模型优化、伦理问题及与机器人系统集成方面存在的开放性挑战。

ABSTRACT

Fuzzy rule based systems (FRBSs) is a rule-based system which uses linguistic fuzzy variables as antecedents and consequent to represent human understandable knowledge. They have been applied to various applications and areas throughout the soft computing literature. However, FRBSs suffers from many drawbacks such as uncertainty representation, high number of rules, interpretability loss, high computational time for learning etc. To overcome these issues with FRBSs, there exists many extensions of FRBSs. This paper presents an overview and literature review of recent trends on various types and prominent areas of fuzzy systems (FRBSs) namely genetic fuzzy system (GFS), hierarchical fuzzy system (HFS), neuro fuzzy system (NFS), evolving fuzzy system (eFS), FRBSs for big data, FRBSs for imbalanced data, interpretability in FRBSs and FRBSs which use cluster centroids as fuzzy rules. The review is for years 2010-2021. This paper also highlights important contributions, publication statistics and current trends in the field. The paper also addresses several open research areas which need further attention from the FRBSs research community.

研究动机与目标

• 提供2010至2021年FRBSs的系统性文献综述，重点关注新兴变体与应用。
• 分析八个关键FRBS子领域中的出版趋势、引用影响力与研究活跃度。
• 识别FRBSs中的开放研究挑战，包括模型优化、可解释性及伦理考量。
• 通过纳入大数据、数据不平衡及基于聚类中心规则的FRBSs等未充分探索的领域，拓展以往综述的范围。
• 通过突出尚未充分发展但前景广阔的领域（如深度模糊网络与机器人应用），为未来研究提供指导。

提出的方法

• 利用Scopus数据库，对2010至2021年间发表的原始英文文献开展系统性文献综述。
• 对八类主要FRBS变体进行分类与分析：遗传/演化、分层、神经模糊、演化、大数据、数据不平衡、基于聚类中心的以及可解释性导向系统。
• 收集并评估各类FRBS的出版统计数据、引用趋势及代表性论文，以衡量研究活力。
• 对每个类别的代表性研究进行审查，识别核心技术、系统架构与性能指标。
• 采用文献计量分析方法，比较各子领域间的研究活跃度，并识别主导趋势。
• 通过批判性综合现有文献中的局限与空白，识别开放的研究问题。

实验结果

研究问题

• RQ1 2010至2021年间，模糊规则系统（FRBSs）中最活跃的研究趋势是什么？
• RQ2 FRBSs如何应对可解释性、高维数据与不确定性等挑战而发生演变？
• RQ3 在神经模糊、演化或大数据系统等FRBS变体中，哪一类的研究增长最为显著？
• RQ4 当前FRBS研究中的关键局限与开放挑战是什么，特别是关于模型优化与伦理影响方面？
• RQ5 混合FRBS模型（如模糊逻辑与深度学习或进化算法的结合）在性能与可解释性方面有何贡献？

主要发现

• 2010至2021年间，神经模糊系统（NFS）、大数据应用以及可解释性/可解释性成为FRBSs中最活跃的研究领域。
• 遗传模糊系统（GFS）的研究活动显著下降，表明研究社区的关注重点已发生转移。
• 结合多种FRBS类型的混合模型（如模糊系统与深度学习或进化算法的结合）正日益受到青睐。
• 可解释性仍是关键关注点，特别是对于具有超过两个前提条件的规则，其对人类理解而言尤为困难。
• Mamdani与TSK FRBSs的模型优化（尤其是隶属函数选择与规则库设计）仍主要依赖人工操作，缺乏自动化。
• 深度模糊神经网络（DFNNs）在提升黑箱模型的可解释性方面展现出潜力，但面临高计算成本，且需在梯度下降之外进一步优化。