Core Concepts
고차원 데이터에서 정확성과 예측 구간 생성을 위해 간격 유형-2 퍼지 논리 시스템의 학습 성능을 향상시키는 방법을 제안한다.
Abstract
이 연구에서는 간격 유형-2 퍼지 논리 시스템(IT2-FLS)의 학습 성능을 향상시키기 위한 방법을 제안한다.
첫째, 중심 집합 계산 방법(CSCM)의 유연성을 높이기 위해 Karnik-Mendel(KM) 및 Nie-Tan(NT) 방법을 개선한다.
둘째, 딥 러닝 최적화기를 직접 적용할 수 있도록 IT2-FLS의 제약 학습 문제를 무제약 형태로 변환한다.
셋째, 고차원 문제에 대처하기 위해 고차원 Takagi-Sugeno-Kang(HTSK) 방법을 IT2-FLS로 확장한다.
마지막으로, 정확성과 고품질 예측 구간 생성을 동시에 목표로 하는 딥 러닝 기반 IT2-FLS 프레임워크를 제안한다.
실험 결과를 통해 HTSK2가 차원의 저주 문제를 효과적으로 해결하고, 향상된 KM 및 NT 방법이 학습 성능과 불확실성 정량화 능력을 개선함을 보여준다.
Stats
화이트 와인 데이터셋에서 HTSK2를 사용한 IT2-FLS-H 모델의 RMSE는 80.61±2.05로 개선되었다.
파킨슨 운동 UPDRS 데이터셋에서 HTSK2를 사용한 IT2-FLS-HS 모델의 PICP는 99.33±0.44로 향상되었다.
AIDS 데이터셋에서 HTSK2를 사용한 IT2-FLS-H 모델의 PINAW는 122.92±15.58로 감소하였다.
Quotes
"HTSK2가 차원의 저주 문제를 효과적으로 해결하고, 향상된 KM 및 NT 방법이 학습 성능과 불확실성 정량화 능력을 개선함을 보여준다."
"실험 결과를 통해 HTSK2가 차원의 저주 문제를 효과적으로 해결하고, 향상된 KM 및 NT 방법이 학습 성능과 불확실성 정량화 능력을 개선함을 보여준다."