view in publisher's site

Principles for constructing three-way approximations of fuzzy sets: A comparative evaluation based on unsupervised learning

Three-way approximations of fuzzy sets are an important scheme of granular computing, by abstracting a fuzzy set to its discrete three option-alternatives which adhere to human cognitive behaviors and reduce the computational burden. The key point of such three-way approximations of fuzzy sets is how to choose a suitable design leading to their realization. Undesired three-way approximations might be produced if the selected mechanism is unsuitable to data distribution. In this study, the principles for constructing three-way approximations of fuzzy sets are summarized. The following taxonomy of these principles is provided, namely (i) uncertainty balance-based principle, (ii) prototype-based principle, and (iii) model-based invoking the tradeoff between classification error and the number of data that have to be classified. A number of detailed optimization models are discussed in detail. To evaluate the performance of different construction principles, a general unsupervised learning framework based on three-way approximations of fuzzy sets is exhibited. Some synthetic data sets along with sixteen data sets from UCI repository are involved for experiments. Friedman testing followed by Holm-Bonferroni testing are exploited to test the performance significance of the proposed criteria, which can provide insights and deliver guidance when choosing a principle for constructing three-way approximations of fuzzy sets in the real-world scenarios. The research methods in this paper can also be extended to supervised and semi-supervised learning areas.

اصول ساخت تقریب‌های سه‌راهه مجموعه‌های فازی: یک ارزیابی مقایسه‌ای براساس یادگیری بدون نظارت

تقریب‌های سه طرفه مجموعه‌های فازی، با انتزاع یک مجموعه فازی به سه گزینه مجزا، یک طرح مهم از محاسبات دانه‌ای هستند - جایگزین‌هایی که به رفتارهای شناختی انسان پایبند بوده و بار محاسباتی را کاهش می‌دهند. نکته کلیدی چنین تقریب‌های سه‌راهه مجموعه‌های فازی این است که چگونه یک طراحی مناسب را انتخاب کنیم که منجر به تحقق آن‌ها شود. اگر مکانیزم انتخاب‌شده برای توزیع داده‌ها نامناسب باشد، تقریب‌های سه طرفه ناخواسته ممکن است تولید شوند. در این مطالعه، اصول ساخت تقریب‌های سه طرفه مجموعه‌های فازی خلاصه شده‌است. طبقه‌بندی زیر از این اصول ارائه شده‌است: (۱)اصل مبتنی بر تعادل عدم قطعیت، (۲)اصل مبتنی بر نمونه اولیه، و (۳)فاکتور مبتنی بر مدل تبادل بین خطای طبقه‌بندی و تعداد داده‌هایی که باید طبقه‌بندی شوند. تعدادی از مدل‌های بهینه‌سازی دقیق با جزئیات مورد بحث قرار گرفته‌اند. برای ارزیابی عملکرد اصول مختلف ساخت، یک چارچوب یادگیری کلی بدون نظارت براساس تقریب‌های سه طرفه مجموعه‌های فازی نمایش داده می‌شود. برخی از مجموعه داده‌های مصنوعی همراه با ۱۶ مجموعه داده از مخزن UCI برای آزمایش‌ها در نظر گرفته شده‌اند. آزمون فریدمن و به دنبال آن آزمون هولم - بونفرونی برای آزمون معناداری عملکرد معیارهای پیشنهادی مورد استفاده قرار می‌گیرند، که می‌تواند به هنگام انتخاب یک اصل برای ساخت تقریب‌های سه طرفه مجموعه‌های فازی در سناریوهای دنیای واقعی، بینش و راهنمایی ارائه دهد. روش‌های تحقیق در این مقاله را می توان به نواحی یادگیری تحت نظارت و نیمه نظارت شده نیز تعمیم داد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Artificial Intelligence
  • ترجمه مقاله Artificial Intelligence
  • مقاله هوش مصنوعی
  • ترجمه مقاله هوش مصنوعی
  • مقاله Logic
  • ترجمه مقاله Logic
  • مقاله منطق
  • ترجمه مقاله منطق
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.