[论文解读] 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 4

一句话总结

本文批判性地审视了模糊规则系统中从基于知识的建模向数据驱动建模的转变，认为传统模糊规则系统由于其平面化、非分层的结构，在大规模、数据密集型应用中表现不佳，且在从数据中学习规则时导致可解释性丧失。其主要贡献在于呼吁通过分层化、功能化的建模方法重新思考模糊建模，以更好地支持在数据驱动环境下的可扩展性与认知合理性。

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.

研究动机与目标

• 批判性评估模糊规则系统中从基于知识的建模向数据驱动建模的转变。
• 识别平面化、基于规则的模糊系统在处理复杂、高维数据依赖关系方面的固有局限性。
• 挑战数据驱动模糊模型保留专家设计系统可解释性与认知合理性的假设。
• 倡导替代性建模方法——特别是分层化与功能化结构——以更好地支持在数据驱动环境下的可扩展性与有意义的表示。
• 突出经典模糊系统的设计原则与现代机器学习需求之间的不匹配，尤其是在大数据环境中的表现。

提出的方法

• 分析标准模糊规则系统在结构上的局限性，特别是其平面化规则库架构。
• 对比专家设计的模糊模型在认知与可解释性方面的优势，与数据驱动规则提取所面临的挑战。
• 研究数据驱动模糊集构建对语言标签分配与语义含义的影响。
• 回顾推理机制与规则聚合在保持模型透明度与可解释性方面的作用。
• 提出分层化或功能化建模方法（例如，模式树）可作为平面化规则库的更可扩展、更可解释的替代方案。
• 评估模糊规则系统在泛化能力、效率与模型选择支持方面相较于主流机器学习方法的理论与算法缺陷。

实验结果

研究问题

• RQ1 为何传统模糊规则系统范式在大规模应用中的数据驱动模型归纳中不适用？
• RQ2 数据驱动的规则提取在多大程度上损害了模糊模型的可解释性与认知合理性？
• RQ3 平面化规则库的结构性局限性在多大程度上阻碍了在现代数据密集型领域中对复杂、高维依赖关系的建模？
• RQ4 何种替代性建模范式能更好地支持在数据驱动模糊系统中的可扩展性与有意义的表示？
• RQ5 在何种方式下，数据驱动的模糊模型未能保留定义模糊逻辑核心优势的人类可读语言接口？

主要发现

• 标准模糊规则库的平面化结构严重限制了可扩展性，并使得在现代数据密集型应用中建模复杂、高维依赖关系变得困难。
• 数据驱动构建模糊集通常导致隶属函数缺乏语义意义，且受异常值等数据特征的显著影响。
• 模糊模型的可解释性——常被视为其关键优势——在模型自动从数据中提取时显著受损，因为语言标签失去了共享的语义基础。
• 当人类专家不再是模型的创建者，而仅是数据生成模型的消费者时，模糊规则系统便失去了其作为人机接口的主要优势。
• 从基于知识的建模向数据驱动建模的转变，削弱了模糊逻辑作为正式化人类专业知识、实现透明且认知合理的工具的原始目的。
• 在算法效率、理论保证（如泛化能力）与模型选择支持方面，现代机器学习方法在大规模设置下显著优于传统模糊规则系统。