क्या कभी फजी लॉजिक हुआ?


10

फजी लॉजिक मशीन लर्निंग और डेटा माइनिंग में अनुसंधान के एक सक्रिय क्षेत्र की तरह लग रहा था जब मैं ग्रेड स्कूल (2000 के दशक के प्रारंभ) में था। फ़ज़ी इंफ़ेक्शन सिस्टम, फ़ज़ी सी-साधन, विभिन्न न्यूरल नेटवर्क के फ़ज़ी वर्जन और सदिश मशीन आर्किटेक्चर सभी को ग्रेड पाठ्यक्रमों में पढ़ाया जा रहा था और सम्मेलनों में चर्चा की गई थी।

जब से मैंने फिर से ML (~ 2013) पर ध्यान देना शुरू किया है, फज़ी लॉजिक पूरी तरह से नक्शे से हट गया है और वर्तमान ML परिदृश्य से इसकी अनुपस्थिति को सभी एआई प्रचार को ध्यान में रखते हुए स्पष्ट किया गया है।

क्या यह किसी विषय का केवल फैशन से बाहर होना था, या फ़ज़ी लॉजिक और फ़र्ज़ी इंट्रेंस की एक विशिष्ट सीमा थी जिसके कारण इस विषय को शोधकर्ताओं द्वारा छोड़ दिया गया था?


स्पष्ट करने के लिए, जंबोमैन की टिप्पणी के आधार पर: क्या कोई घटना या खोज थी जिससे FL को फैशन से बाहर जाना पड़ा, उदाहरण के लिए 60 के दशक में तंत्रिका नेटवर्क के लिए, जब वे फैशन से बाहर चले गए क्योंकि यह साबित हो गया था कि वे XOR को हल नहीं कर सकते। ? या फजी सिस्टम एक प्रतिस्पर्धी प्रतिमान से बेहतर प्रदर्शन कर रहे थे?


उत्तर नहीं बल्कि सिर्फ एक अटकलबाजी: यह संभावना के इतने करीब लगता है कि शायद सीएस के शोधकर्ताओं ने दो अवधारणाओं को मिलाने का फैसला किया?
क्लिफ एबी

1
माना जाता है कि यह भारी मत-आधारित होने वाला है और शायद ऑफ-टॉपिक है, लेकिन अब जब आपने इसे पूछ लिया है, तो मैं स्वयं उत्सुक हूं।
जूलमैन

1
@jbowmanI नहीं जानता कि क्या यह जरूरी राय आधारित है। इस बात का एक वस्तुनिष्ठ वैज्ञानिक उत्तर है कि 60 के दशक में NNets फैशन से बाहर क्यों हो गया (XOR को हल करने में विफलता) - मैं सोच रहा था कि क्या ऐसा ही कुछ FL के साथ हुआ था।
स्कैंडल एच।

1
यह अभी भी सामान्य रूप से मस्तिष्क के पारगमन और मस्तिष्क मानचित्रण में बहुत अधिक जीवित है, यह सिर्फ इतना है कि लोगों को तर्क ऑपरेशन की ज्यादा जरूरत नहीं है, लेकिन फजी असाइनमेंट अभी भी जीवित है और लात मार रहा है।
फायरबग

जवाबों:


3

मेरा उत्तर तकनीकी रूप से फ़ज़ी लॉजिक के बजाय फ़ज़ी सेटों के लिए अधिक प्रासंगिक है, लेकिन दो अवधारणाएँ व्यावहारिक रूप से अविभाज्य हैं। मैंने कुछ साल पहले फजी लॉजिक पर एकेडमिक जर्नल के लेखों में लिखा था ताकि SQL सर्वर में फजी सेट्स को लागू करने के लिए एक ट्यूटोरियल श्रृंखला लिखी जा सके । हालांकि मुझे शायद ही एक विशेषज्ञ माना जा सकता है, मैं साहित्य से काफी परिचित हूं और व्यावहारिक समस्याओं को हल करने के लिए नियमित रूप से तकनीकों का उपयोग करता हूं। प्रकाशित शोध से मुझे जो मजबूत धारणा मिली, वह यह है कि फ़ज़ी सेटों की व्यावहारिक क्षमता अभी भी अप्रयुक्त है, मुख्य रूप से तकनीकों के दर्जनों अन्य परिवारों पर शोध के एक जलप्रलय के कारण जो प्रश्नों के पूरक सेट को हल कर सकते हैं।

डाटा साइंस / मशीन लर्निंग आदि में विचारों का भीड़ बाज़ार।

सपोर्ट वेक्टर मशीन, न्यूरल नेट, रैंडम फॉरेस्ट आदि में इतनी तेजी से प्रगति हुई है कि विशेषज्ञों, विश्लेषकों, डेटा वैज्ञानिकों, प्रोग्रामरों या अपने उत्पादों के उपभोक्ताओं के लिए यह सब संभव नहीं है। ब्लॉग पोस्टों की मेरी श्रृंखला में, मैं इस बात पर लंबाई में बात करता हूं कि फ़िज़ी सेट और लॉजिकल के लिए एल्गोरिदम का विकास आम तौर पर उपलब्ध सॉफ़्टवेयर से 20+ वर्ष पहले होता है, लेकिन वही संबंधित कई क्षेत्रों के बारे में कहा जा सकता है; मैं तंत्रिका जाल पर गहनता से पढ़ता हूं और दशकों पहले विकसित किए गए सार्थक तंत्रिका आर्किटेक्चर के स्कोर के बारे में सोच सकता हूं, लेकिन कभी भी व्यापक रूप से अभ्यास में नहीं लाया जा सकता है, अकेले आसानी से उपलब्ध सॉफ़्टवेयर में कोडित करें। कहा जा रहा है कि, फजी लॉजिक और सेट विचारों के इस भीड़ भरे बाजार में एक अजीब नुकसान है, मुख्य रूप से उनके मॉनिकर के कारण, जो विवादास्पद था जब लॉफ्टी ए ज़ैडे ने इसे गढ़ा था। फजी तकनीकों का बिंदु बस निरंतर तराजू पर निश्चित रूप से मूल्यवान डेटा के कुछ वर्गों को अनुमानित करना है, लेकिन "अनुमानित निरंतर-मूल्यवान तर्क" और "वर्गीकृत सेट" जैसे शब्द बिल्कुल आंख-पकड़ने वाले नहीं हैं। ज़ैध ने स्वीकार किया कि उन्होंने "फजी" शब्द का इस्तेमाल आंशिक रूप से किया था क्योंकि यह ध्यान आकर्षित करने वाला था, लेकिन पीछे मुड़कर देखने पर यह गलत तरह का ध्यान आकर्षित कर सकता है।

कैसे शब्द "फ़ज़" बैकफ़ायर

डेटा साइंटिस्ट, एनालिस्ट या प्रोग्रामर के लिए, यह एक ऐसा शब्द है जो "कूल टेक" का एक स्वर पैदा कर सकता है; एआई / डाटा माइनिंग / आदि में रुचि रखने वालों के लिए। आदि केवल अनिद्रा के रूप में यह व्यावसायिक समस्याओं को हल कर सकता है, "फजी" एक अव्यवहारिक परेशानी की तरह लगता है। कॉरपोरेट मैनेजर, मेडिकल रिसर्च में शामिल डॉक्टर, या किसी अन्य उपभोक्ता को नहीं पता, यह भरवां जानवरों की छवियों को उकसा सकता है, 70 के दशक के पुलिस शो या जॉर्ज कार्लिन के फ्रिज के बाहर कुछ। दो समूहों के बीच उद्योग में हमेशा तनाव रहा है, बाद में अक्सर कोड लिखने से पूर्व में फिर से शुरू होता है और केवल लाभ के बजाय बौद्धिक जिज्ञासा के लिए अनुसंधान करता है; जब तक पहला समूह यह नहीं समझा सकता है कि ये फ़ज़ी तकनीक लाभदायक क्यों हैं, तो पहले की चेतावनी उनके गोद लेने को रोक देगी।

अनिश्चितता प्रबंधन और फजी सेट अनुप्रयोगों के परिवार

फजी सेट तकनीक के बिंदु को दूर करना हैफ़ज़ जो पहले से ही डेटा में निहित है, अव्यवस्थित असतत मूल्यों के रूप में जो कि अनुमानित तराजू पर बेहतर ढंग से प्रतिरूपित किया जा सकता है, व्यापक भ्रांति के विपरीत कि "फ़ज़" कुछ ऐसा है जो आप में जोड़ते हैं, जैसे पिज्जा पर एक विशेष टॉपिंग। यह भेद सरल हो सकता है लेकिन इसमें विभिन्न प्रकार के संभावित अनुप्रयोगों को समाहित किया गया है, जिसमें प्राकृतिक भाषा प्रसंस्करण से लेकर निर्णय सिद्धांत से लेकर नॉनलाइन सिस्टम पर नियंत्रण शामिल है। संभाव्यता ने फ़ज़ी लॉजिक को अवशोषित नहीं किया है क्योंकि क्लिफ एबी ने मुख्य रूप से सुझाव दिया था क्योंकि यह केवल व्याख्याओं का एक छोटा सा उपसमूह है जिसे फ़ज़ी मानों से जोड़ा जा सकता है। फ़ज़ी सदस्यता फ़ंक्शंस काफी सरल हैं कि वे केवल एक या अधिक निरंतर मूल्यों को निर्दिष्ट करके एक विशेष सेट के लिए कितना रिकॉर्ड करते हैं, आमतौर पर 0 से 1 के पैमाने पर (हालांकि कुछ अनुप्रयोगों के लिए मैं) ve ने पाया कि -1 से 1 अधिक उपयोगी हो सकता है)। उन संख्याओं को हम जो अर्थ प्रदान करते हैं, वह हमारे ऊपर है, क्योंकि वे हम चाहते हैं कि किसी भी चीज को इंगित कर सकते हैं, जैसे कि विश्वास की डिग्री, एक विशेष निर्णय में विश्वास, संभावना वितरण, तंत्रिका शुद्ध सक्रियण, स्केल किए गए विचरण, सहसंबंध, आदि। केवल पीडीएफ, ईडीएफ या सीडीएफ मूल्य नहीं। मैं अपने ब्लॉग श्रृंखला में और अधिक विस्तार में जाता हूंयह सीवी पोस्ट , जिसका अधिकांश हिस्सा मेरे पसंदीदा फ़ज़ी संसाधन, जॉर्ज जे। क्लिर और बो युआन के फ़ज़ी सेट्स और फ़ज़ी लॉजिक: थ्योरी एंड एप्लीकेशंस (1995) के माध्यम से काम कर रहा था। वे फजी सेटों से "अनिश्चित प्रबंधन" के पूरे कार्यक्रमों को प्राप्त करने के बारे में अधिक विस्तार से जाते हैं।

यदि फ़ज़ी लॉजिक और सेट एक उपभोक्ता उत्पाद थे, तो हम कह सकते हैं कि यह विपणन और उत्पाद के अभाव के कारण आज तक विफल रहा है, साथ ही एक ब्रांड नाम का एक विरोधाभासी विकल्प भी है। इस पर शोध करते समय, मैं एक एकल शैक्षणिक पत्रिका लेख में भाग लेने को याद नहीं कर सकता, जिसने मिंकसी और पैपर्ट के कुख्यात लेख को पेरीक्रोन पर एक तरह से इनमें से किसी भी अनुप्रयोग को हटाने का प्रयास किया। डेवलपर्स, सिद्धांतकारों, डेटा वैज्ञानिकों और उत्पादों के लिए इन दिनों समस्याओं के समान सेट पर लागू होने वाले उत्पादों के लिए इन दिनों विचारों के बाजार में बहुत प्रतिस्पर्धा है, जो कि तेजी से तकनीकी प्रगति का सकारात्मक पक्ष प्रभाव है। नकारात्मक पक्ष यह है कि यहां बहुत कम लटकने वाले फल हैं जो कि अप्रयुक्त हो रहे हैं, खासकर डेटा मॉडलिंग के क्षेत्र में जहां वे सबसे अधिक लागू होते हैं।


2

फजी लॉजिक विचारों का फैशन से बाहर होना (एमएल में) मेरे लिए अस्पष्ट है। यह अच्छी तरह से कई कारणों से हो सकता है, वे तकनीकी, समाजशास्त्रीय आदि हो सकते हैं ... एक बात सुनिश्चित है कि पिछले वर्षों के लिए एमएल के गणित में संभावना / आँकड़े और अनुकूलन का वर्चस्व रहा है, दो क्षेत्र जिनमें फ़ज़ी लॉजिक है (या फ़र्ज़ी साहित्य से जारी किए गए विचार) भर सकते हैं, लेकिन जिसमें वे आमतौर पर सवालों के बजाय अधिक जवाब लाते हैं। संभाव्यता और अनुकूलन का एक और लाभ यह है कि जब उनके भीतर अलग-अलग रुझान / व्याख्या हो सकती है (जैसे, बायेसियन बनाम आव्रजक), बुनियादी औपचारिक / गणितीय रूपरेखा उन लोगों के लिए स्थिर है (यह कम स्पष्ट है, मेरी राय में, फजी लॉजिक के लिए) एक व्यापक अर्थ में समझा)।

  • हुल्लेर्मियर, ई। (2015)। क्या मशीन सीखने के लिए फजी लॉजिक की जरूरत है? फजी सेट्स एंड सिस्टम्स, 281, 292-299।

मुझे लगता है कि फजी लॉजिक के मूल विचार में से एक, यह है कि अवधारणाओं को मॉडल करना जो क्रमिक हैं और तर्क उपकरण प्रदान करते हैं (मुख्य रूप से फैले हुए तर्क, लेकिन न केवल) इसके साथ जुड़ा हुआ है, अभी भी कुछ एमएल विचारों में मौजूद है, जिनमें बहुत हालिया शामिल हैं। आपको बस इसके लिए सावधानी से देखना होगा क्योंकि यह दुर्लभ है। दो उदाहरणों में शामिल हैं:

  • फरनादी, जी।, बाख, एसएच, मोन्स, एमएफ, गेटूर, एल।, और डी कॉक, एम। (2017)। सांख्यिकीय संबंधपरक शिक्षा में नरम मात्रा का ठहराव। मशीन लर्निंग, 106 (12), 1971-1991। (जहाँ संदर्भों में फ़ज़ी लॉजिक शामिल हैं, जिनमें ज़ैध सेमिनल पेपर शामिल हैं)
  • चेंग, डब्ल्यू।, रेडेमेकर, एम।, डे बेट्स, बी।, और ह्यूलेर्मियर, ई। (2010, सितंबर)। आंशिक आदेशों की भविष्यवाणी: संयम के साथ रैंकिंग। डेटाबेस में मशीन सीखने और ज्ञान की खोज पर संयुक्त यूरोपीय सम्मेलन में (पीपी। 215-230)। स्प्रिंगर, बर्लिन, हीडलबर्ग।

कुल मिलाकर, एक अधिक व्यक्तिगत आधार पर आपके प्रश्न का उत्तर देने के लिए, मेरी भावना यह है कि फ़ज़ी लॉजिक क्या हो सकता है (एमएल के हाल के विचारों में) संभवता की स्पष्ट धारणा नहीं है कि संभावनाएं नहीं हो सकती हैं, और चूंकि उत्तरार्द्ध बहुत पुराना है और स्पष्ट रूप से फिट बैठता है संभावित आबादी से जारी किए गए डेटा को देखने के एमएल फ्रेमवर्क के साथ बेहतर है, फ़ज़ी लॉजिक की तुलना में संभावना और आंकड़ों के साथ जाना अधिक स्वाभाविक था। इसका अर्थ यह भी है कि यदि आप ML में फजी लॉजिक का उपयोग करना चाहते हैं, तो आपको ऐसा करने के लिए एक ठोस, अच्छा कारण प्रस्तुत करना होगा (उदाहरण के लिए, इस तथ्य का उपयोग करके कि वे तर्क को अलग-अलग कार्य प्रदान करते हैं ताकि आप गहरी शिक्षा में तार्किक नियमों को शामिल कर सकें। तकनीक)।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.