ファジーロジックはどうなりましたか？

ファジーロジックは、大学院生の頃（2000年代初頭）、機械学習とデータマイニングの研究の活発な分野のように思えました。ファジィ推論システム、ファジィc-means、さまざまなニューラルネットワークのファジィバージョン、およびサポートベクターマシンアーキテクチャはすべて、大学院のコースで教えられ、会議で議論されていました。

再びMLに注目し始めた（〜2013）ので、ファジーロジックはマップから完全に脱落しているようで、現在のMLランドスケープからのその欠如は、すべてのAIの誇大宣伝から明らかです。

これは単に流行から脱落したトピックのケースでしたか、それとも、ファジーロジックとファジー推論に特定の制限があり、研究者がそのトピックを放棄したのですか？

明確にするために、jbowmanのコメントに基づいて、XORを解決できなかったことが証明されたために時代遅れになったときに、FLが時代遅れになった原因となったイベントまたは発見はありましたか（60年代のニューラルネットワークなど）。 ？それとも、ファジーシステムは競合するパラダイムによって性能が優れていましたか？

私の回答は技術的にはファジーロジックよりもファジーセットに関連していますが、2つの概念は事実上不可分です。SQL Serverでのファジーセットの実装に関するチュートリアルシリーズを書くために、数年前にファジーロジックに関する学術雑誌の記事を詳しく調べました。私はほとんど専門家とは言えませんが、文献にかなり精通しており、実用的な問題を解決するためにこの手法を定期的に使用しています。公開された研究から得た強い印象は、ファジーセットの実用的な可能性がまだ未開拓であるということです。

データサイエンス/機械学習などのアイデアの混雑した市場

サポートベクターマシン、ニューラルネット、ランダムフォレストなどの急速な進歩により、製品の専門家、アナリスト、データサイエンティスト、プログラマー、または消費者がすべてに対応することは不可能です。私の一連のブログ投稿では、ファジィセットと論理のアルゴリズムの開発が、一般に利用可能なソフトウェアより20年以上進んでいる方法について詳しく説明しますが、多くの関連分野についても同じことが言えます。私はニューラルネットをよく読んでおり、数十年前に開発されたが、簡単に入手できるソフトウェアでコード化されていることは言うまでもなく、広く実践されていない、価値のあるニューラルアーキテクチャを思い浮かべることができます。そうは言っても、ファジーロジックとセットは、主にロフティA.ザデーが造語したときに物議を醸したモニカーが原因で、この混雑したアイデアの市場では奇妙な不利益を被っています。ファジー手法の要点は、連続スケールで離散値データの特定のクラスを概算することですが、「連続値ロジックの概算」や「段階的セット」などの用語は、正確に目を引くものではありません。ザデー氏は、注意を引くために「ファジー」という用語を使用したことを認めたが、振り返ってみると、微妙な注意が得られなかった可能性がある。

「ファズ」という用語はどのように裏目に出るのか

データサイエンティスト、アナリスト、またはプログラマにとって、これは「クールテック」の雰囲気を呼び起こすかもしれない用語です。AI /データマイニングなどに興味のある人へ。ビジネスの問題を解決できる場合に限り、「ファジー」は現実的ではない面倒なように聞こえます。企業のマネージャー、医学研究に携わる医師、または知らない他の消費者にとって、それはぬいぐるみの画像、70年代の警官ショー、またはジョージカーリンの冷蔵庫から何かを呼び起こすかもしれません。2つのグループ間の業界には常に緊張があり、後者はしばしば前者をコードの記述および研究よりも、利益ではなく知的好奇心のためだけに絞っています。最初のグループがこれらのファジーテクニックが利益をもたらす理由を説明できない限り、最初のグループの慎重さは採用を妨げます。

不確実性管理とファジーセットアプリケーションのファミリ

ファジーセットテクニックのポイントは、「ファズ」はピザの特別なトッピングのように追加するものであるという広範な誤解に反して、近似連続スケールでより適切にモデル化できる不正確な離散値の形式で、データにすでに固有のファズ。その区別は簡単かもしれませんが、自然言語処理から決定理論、非線形システムの制御に至るまで、さまざまな潜在的なアプリケーションを網羅しています。Cliff ABが主に提案したように、確率はファジーロジックを吸収していません。これは、ファジー値に付加できる解釈のほんの一部にすぎないためです。ファジーメンバーシップ関数は、通常、0から1のスケールで1つ以上の連続値を割り当てることにより、レコードが特定のセットにどれだけ属しているかを格付けするという点でかなり単純です（ただし、一部のアプリケーションでは -1から1の方が便利な場合があります）。これらの数値に割り当てる意味は私たち次第です。なぜなら、それらは、ベイズの信念の度合い、特定の決定への信頼度、可能性の分布、ニューラルネットの活性化、スケーリングされた分散、相関など、私たちが望むものを表すことができるためです。 PDF、EDF、CDFの値だけではありません。私はブログシリーズやこのCV投稿は、私のお気に入りのファジィリソースであるGeorge J. KlirとBo Yuanのファジィセットとファジィロジック：理論とアプリケーション（1995）を通じて作成されました。ファジーセットから「不確実性管理」のプログラム全体を導出する方法について、さらに詳しく説明します。

ファジーロジックとセットが消費者向け製品である場合、マーケティングと製品の福音化の欠如、それに逆説的なブランド名の選択が原因で、これまでのところ失敗していると言えます。これを調査している間、ミンクシーとペーパーのパーセプトロンに関する悪名高い記事と同様の方法でこれらのアプリケーションのいずれかを偽装しようとした単一の学術雑誌の記事に出くわしたことを思い出せません。最近、開発者、理論家、データサイエンティストなどが同様の問題に適用できる製品を求めるために、アイデアの市場では多くの競争があり、これは急速な技術進歩のプラスの副作用です。欠点は、ここには、特に最も適切なデータモデリングの領域では、選択されていない、ぶら下がっている果物がたくさんあることです。

（MLで）ファジーロジックのアイデアが時代遅れになった理由は、私には不明です。技術的、社会的など、多くの理由が考えられます。確かに、過去数年間のMLの数学は、確率/統計と最適化、ファジーロジックの2つのフィールドによって支配されてきました（またはあいまいな文献から発行されたアイデア）は記入できますが、通常は質問よりも多くの回答をもたらします。確率と最適化のもう1つの利点は、内部に異なる傾向/解釈がある可能性がありますが（たとえば、ベイズ対頻度論者）、基本的な形式的/数学的フレームワークはそれらに対してかなり安定していることです（私の意見では、ファジーロジックについてはあまり明確ではありません）広い意味で理解されています）。

• Hüllermeier、E.（2015）。機械学習にはファジーロジックが必要ですか。ファジィ集合とシステム、281、292-299。

ファジーロジックの基本的な考え方の1つは、段階的な概念をモデル化し、それに関連付けられた推論ツール（主にロジックを拡張するだけでなく）を提供することですが、最近のアイデアを含む一部のMLアイデアにはまだ存在しています。それはかなりまれなので、あなたはそれを注意深く探す必要があります。2つの例は次のとおりです。

• Farnadi、G。、バッハ、SH、Moens、MF、Getoor、L。、およびDe Cock、M。（2017）。統計的関係学習におけるソフト定量化。機械学習、106（12）、1971-1991年。（参照には、Zadehの影響力のある論文を含むファジーロジックのものが含まれます）
• Cheng、W.、Rademaker、M.、De Baets、B.、＆Hüllermeier、E.（2010、September）部分注文の予測：棄権によるランキング。データベースでの機械学習と知識発見に関する合同ヨーロッパ会議（pp。215-230）。スプリンガー、ベルリン、ハイデルベルク。

全体として、より個人的な立場であなたの質問に答えるために、私の考えでは、ファジィロジックが（最近のMLの見解で）達成できなかった可能性について明確な認識はなく、後者ははるかに古く、明らかに適合しているためです確率論的母集団から発行されたデータを表示するMLフレームワークを使用すると、ファジーロジックよりも確率と統計を使用するほうが自然です。これは、MLでファジーロジックを使用する場合、説得力のある正当な理由を提示する必要があることも意味します（たとえば、ディープラーニングに論理ルールを含めることができるように、微分可能な関数を提供することでロジックを拡張するという事実を使用します）テクニック）。