Inside the fuzzy (logic) community,

Inside the fuzzy (logic) community, fuzzy machine learning can nowadays be seen as an established subfield. The number of publications on this topic is still not as high as for some other subfields, such as fuzzy control, but notable and continuously increasing. There is a EUSFLAT working group on Machine Learning and Data Mining1and an IEEE CIS Task Force on Machine Learning.2Moreover, special sessions on this topic are organized quite regularly on the occasion of fuzzy conferences every year, just like special issues in journals.
That being said, the connection between the fuzzy and the core machine learning community is not well established at all. On the contrary, the two communities seem to be sharply separated, with very little (if any) interaction in the form of joint meetings, research initiatives or mutual conference attendance. For example, contributions on fuzzy machine learning are almost exclusively published in fuzzy journals and conferences, whereas it is extremely difficult to find a fuzzy paper in a core machine learning conference or journal.
Related to the lack of communication between the communities, the recognition of fuzzy logic inside machine learning is still rather moderate, to put it mildly. To some extent, this might be explained by the general reservation of AI scholars against fuzzy logic, which has diminished but not fully disappeared, as well as the fact that most ML researchers, while being well trained in probability and statistics, are still quite unfamiliar with the basics of fuzzy logic. Honestly, however, reasons can also be found on the side of the fuzzy community. For some reason, many fuzzy papers admittedly fall short of the scientific standards in machine learning, which have continuously increased over the past decades. Without attempting to give an explanation, this reflects the author’s personal impression based on reviewing and editorial experience. Moreover, the fuzzy ML community seems to be somewhat lagging behind in terms of timeliness. Machine learning has developed quite rapidly in the recent past, and “hot topics” are changing quickly. While ML scholars are focusing on topics such as deep learning, manifold learning, structured output pre-diction, sparsity and compressed sensing, constructive induction, etc., the majority of fuzzy papers is still about rule induction, a topic that matured and essentially stopped in ML research in the 1990s.
In the following sections, existing work in fuzzy machine learning and contributions often emphasized by fuzzy scholars will be discussed in some more detail, albeit more in an exemplary rather than a comprehensive way. The next section comments on model fuzzification, because this is what most papers on fuzzy machine learning are about. Section4addresses the aspect of interpretability, which is typically highlighted as the main advantage of fuzzy approaches, while Section5is devoted to the representation of uncertainty in machine learning. Some interesting directions for future work are sketched in Section6, prior to concluding the paper in Section7.

ผลลัพธ์ (ไทย) 1:

ภายในชุมชน (ตรรกศาสตร์) เรียนรู้เครื่องเอิบปัจจุบันสามารถดูได้เป็นการย่อยที่จัดตั้งขึ้น จำนวนของสิ่งพิมพ์ในหัวข้อนี้จะยังไม่สูงสำหรับบางอื่น ๆ subfields เช่นควบคุมชัดเจน แต่โดดเด่นและเพิ่มขึ้นอย่างต่อเนื่อง มีกลุ่มทำงาน EUSFLAT ในการเรียนรู้ของเครื่องและ Mining1and ข้อมูลการ IEEE CIS กิจบนเครื่อง Learning.2Moreover มีการจัดระเบียบวาระพิเศษในหัวข้อนี้ค่อนข้างเป็นประจำโอกาสเอิบประชุมทุกปี เช่นเดียวกับปัญหาพิเศษในสมุดรายวันที่ถูกกล่าว การเชื่อมต่อระหว่างเครื่องหลักการเรียนรู้ชุมชนที่ชัดเจนและไม่ดีสำเร็จทั้งหมด ดอก ชุมชนสองดูเหมือนจะพลัดพราก กับการโต้ตอบน้อยมาก (ถ้ามี) ในรูปแบบของการร่วมประชุม วิจัยริเริ่มหรือเข้าร่วมประชุม ตัวอย่าง ผลงานบนเครื่องเอิบเรียนโดยเฉพาะเผยแพร่ในสมุดรายวันที่ชัดเจนและการประชุม ในขณะที่มันเป็นเรื่องยากมากในการค้นหากระดาษเอิบประชุมเรียนรู้เครื่องจักรหลักหรือสมุดรายวันที่เกี่ยวข้องกับการขาดการสื่อสารระหว่างชุมชน การรู้ตรรกศาสตร์ภายในเรียนรู้ของเครื่องนั้นยังค่อนข้างปานกลาง ใส่ mildly บ้าง นี้อาจจะอธิบาย โดยการจองทั่วไปของนักวิชาการ AI กับตรรกศาสตร์คลุมเครือ ซึ่งได้ลดลง แต่ไม่เต็มหายไป เป็นความจริงที่นักวิจัยส่วนใหญ่ของ ML ในขณะที่กำลังเที่ยวในความน่าเป็นและสถิติ ยังคงค่อนข้างคุ้นเคยกับพื้นฐานของตรรกศาสตร์ สุจริต อย่างไร เหตุผลสามารถยังพบด้านของชุมชนชัดเจน ดัง เอกสารจำนวนมากชัดเจนเป็นที่ยอมรับอยู่ขาดมาตรฐานทางวิทยาศาสตร์ในการเรียนรู้ของเครื่อง ซึ่งได้เพิ่มขึ้นอย่างต่อเนื่องกว่าทศวรรษ โดยพยายามให้คำอธิบาย นี้สะท้อนถึงประสบการณ์ของผู้เขียนประทับใจส่วนบุคคลตามที่ได้ทบทวน และบรรณาธิการ นอกจากนี้ ชุมชนมลเอิบน่า จะ lagging ค่อนข้างหลังในนัดหมาย เครื่องเรียนรู้ได้พัฒนาอย่างรวดเร็วมากในอดีตผ่านมา และ "ร้อนหัวข้อ" กำลังเปลี่ยนแปลงอย่างรวดเร็ว ในขณะที่นักวิชาการ ML เน้นหัวข้อต่าง ๆ เช่นเรียนรู้ลึก เรียนรู้ diction ก่อนผลผลิตโครงสร้าง sparsity และบีบตรวจ การเหนี่ยวนำสร้างสรรค์ ฯลฯ มากมายส่วนใหญ่เอกสารที่ชัดเจนเป็นยังเกี่ยวกับกฎการเหนี่ยวนำ หัวข้อที่ matured และหลักหยุดวิจัย ML ในปี 1990ในส่วนต่อไปนี้ งานที่มีอยู่ในเครื่องเอิบเรียนและผลงานที่มักเน้นย้ำ โดยนักวิชาการเอิบจะจะอภิปรายในรายละเอียดบางอย่างเพิ่มเติม แม้ว่าเพิ่มเติมในการเตรียมการทาง ความคิดเห็นส่วนถัดไปในแบบจำลอง fuzzification เนื่องจากเป็นเอกสารใดมากที่สุดบนเครื่องเอิบเรียนได้เกี่ยวกับ Section4addresses ด้าน interpretability ซึ่งจะเน้นเป็นประโยชน์หลักของวิธีเอิบ ในขณะที่ Section5is เพื่อรองรับการแสดงความไม่แน่นอนในการเรียนรู้ของเครื่อง บางเส้นทางที่น่าสนใจสำหรับการทำงานในอนาคตมีร่างแผนใน Section6 ก่อนสรุปกระดาษ Section7

ผลลัพธ์ (ไทย) 2:

ภายในเลือน (ตรรกะ) ชุมชนการเรียนรู้เครื่องเลือนในปัจจุบันจะเห็นได้ว่าเป็นสาขาย่อยที่จัดตั้งขึ้น จำนวนของสิ่งพิมพ์ในหัวข้อนี้ยังคงไม่สูงเท่าสำหรับฟิลด์อื่น ๆ บางอย่างเช่นการควบคุมฟัซซี่ แต่ที่โดดเด่นและเพิ่มอย่างต่อเนื่อง มี EUSFLAT ทำงานกลุ่มเครื่องเรียนรู้และข้อมูล Mining1and อีอีอี CIS Task Force บนเครื่อง Learning.2Moreover เป็นช่วงพิเศษในหัวข้อนี้ค่อนข้างมีการจัดเป็นประจำในโอกาสการประชุมเลือนทุกปีเช่นเดียวกับปัญหาพิเศษในวารสาร.
ความเป็นอยู่ที่ กล่าวว่าการเชื่อมต่อระหว่างเครื่องและเลือนหลักชุมชนการเรียนรู้ไม่ได้ในทางที่ดีที่ทุกคน ในทางตรงกันข้ามคนสองกลุ่มที่ดูเหมือนจะแยกออกจากกันอย่างรวดเร็วมีน้อยมาก (ถ้ามี) การทำงานร่วมกันในรูปแบบของการประชุมร่วมกันที่ความคิดริเริ่มการวิจัยหรือการเข้าร่วมการประชุมร่วมกัน ยกตัวอย่างเช่นการมีส่วนร่วมในการเรียนรู้เครื่องเลือนเกือบจะตีพิมพ์ในวารสารเลือนและการประชุมในขณะที่มันเป็นเรื่องยากมากที่จะหากระดาษฝอยในเครื่องหลักในการเรียนรู้การประชุมหรือวารสาร.
ที่เกี่ยวข้องกับการขาดการสื่อสารระหว่างชุมชนที่ได้รับการยอมรับของ ตรรกศาสตร์ภายในกลไกการเรียนรู้ในระดับปานกลางยังคงค่อนข้างที่จะนำมันอย่างอ่อนโยน ที่มีขอบเขตนี้อาจจะอธิบายได้ด้วยการสำรองห้องพักทั่วไปของนักวิชาการ AI กับตรรกศาสตร์ซึ่งได้ลดลง แต่ไม่ได้หายไปอย่างเต็มที่เช่นเดียวกับความจริงที่ว่านักวิจัย ML มากที่สุดในขณะที่ถูกฝึกมาอย่างดีในความน่าจะเป็นและสถิติยังคงไม่คุ้นเคยค่อนข้าง ด้วยพื้นฐานของตรรกะเลือน ตรงไปตรงมา แต่เหตุผลที่ยังสามารถพบได้ที่ด้านข้างของชุมชนเลือน ด้วยเหตุผลบางอย่างเลือนเอกสารจำนวนมากที่ยอมรับตกสั้นของมาตรฐานทางวิทยาศาสตร์ในการเรียนรู้เครื่องซึ่งได้เพิ่มขึ้นอย่างต่อเนื่องในช่วงหลายทศวรรษที่ผ่านมา โดยไม่ต้องพยายามที่จะให้คำอธิบายนี้สะท้อนให้เห็นถึงความประทับใจส่วนตัวของผู้เขียนอยู่บนพื้นฐานของการตรวจสอบและประสบการณ์ของกองบรรณาธิการ นอกจากนี้เลือนชุมชน ML ดูเหมือนว่าจะค่อนข้างล้าหลังในแง่ของการตรงต่อเวลา การเรียนรู้เครื่องได้มีการพัฒนาอย่างรวดเร็วในอดีตที่ผ่านมาและ "หัวข้อร้อน" ที่มีการเปลี่ยนแปลงอย่างรวดเร็ว ในขณะที่นักวิชาการ ML จะมุ่งเน้นในหัวข้อต่างๆเช่นการเรียนรู้ลึกการเรียนรู้ต่าง ๆ นานาโครงสร้างการส่งออกก่อนพจน์, sparsity และตรวจวัดการบีบอัด, การเหนี่ยวนำที่สร้างสรรค์และอื่น ๆ ส่วนใหญ่ของเอกสารเลือนยังคงเป็นเรื่องเกี่ยวกับการเหนี่ยวนำกฎหัวข้อที่ครบกำหนดและหยุดเป็นหลัก ในการวิจัย ML ในปี 1990.
ในส่วนต่อไปนี้การทำงานที่มีอยู่ในการเรียนรู้เครื่องเลือนและผลงานมักจะเน้นโดยนักวิชาการเลือนจะมีการหารือในรายละเอียดบางอย่างแม้จะมากขึ้นในที่เป็นแบบอย่างมากกว่าวิธีการที่ครอบคลุม ส่วนถัดไปความคิดเห็นที่ fuzzification รุ่นเพราะเป็นสิ่งที่เอกสารมากที่สุดในการเรียนรู้เครื่องคลุมเครือเกี่ยวกับ Section4addresses แง่มุมของ interpretability ซึ่งเป็นไฮไลท์มักจะเป็นประโยชน์หลักของวิธีการเลือนในขณะที่ Section5is ทุ่มเทให้กับการเป็นตัวแทนของความไม่แน่นอนในการเรียนรู้เครื่อง บางเส้นทางที่น่าสนใจสำหรับการทำงานในอนาคตจะมีการร่างใน Section6 ก่อนที่จะสรุปกระดาษในมาตรา 7

ผลลัพธ์ (ไทย) 3:

ภายในแบบฟัซซี่ ( ตรรกะ ) ชุมชนคลุมเครือ การเรียนรู้ของเครื่องในปัจจุบันสามารถจะเห็นเป็น subfield ตั้งขึ้น จำนวนของสิ่งพิมพ์ในหัวข้อนี้ยังไม่สูงเท่า subfields บางอย่างอื่น ๆเช่น การควบคุมแบบฟัซซี แต่เด่นและเพิ่มขึ้นอย่างต่อเนื่อง . มี eusflat คณะทำงานการเรียนรู้ของเครื่องและการจัดทำข้อมูล mining1and CIS งาน learning.2moreover เครื่องจักรการประชุมวาระพิเศษ ในหัวข้อนี้จะจัดที่ค่อนข้างสม่ำเสมอ ในโอกาสการประชุมแบบทุกปี เช่นเดียวกับปัญหาพิเศษในวารสาร .
ที่ถูกกล่าวว่าการเชื่อมต่อระหว่างคลุมเครือและแกนนำชุมชนยังไม่ดีขึ้นเครื่องเลย ในทางตรงกันข้าม ทั้งสองชุมชน ดูเหมือนจะไม่แยกจากกันกับน้อยมาก ( ถ้ามี ) ปฏิสัมพันธ์ในรูปแบบของการประชุมร่วม โครงการวิจัย หรือเข้าร่วมประชุมร่วมกัน ตัวอย่างเช่น เขียนบนเครื่องแบบฟัซซี่โดยเฉพาะตีพิมพ์ในวารสารฟัซซี่และการประชุม ในขณะที่มันเป็นเรื่องยากมากที่จะหากระดาษฝอยในแกนเครื่องเรียนรู้
การประชุมหรือวารสารที่เกี่ยวข้องกับการขาดการสื่อสารระหว่างชุมชน , การรับรู้ของตรรกศาสตร์ในการเรียนรู้เครื่องยังพอใช้ได้ ใส่ไว้อย่างอ่อนโยน ที่มีขอบเขตนี้อาจจะถูกอธิบายโดยทั่วไปการไอ นักวิชาการกับตรรกศาสตร์ ซึ่งได้ลดลง แต่ไม่ได้หายไปอย่างเต็มที่ รวมทั้งความจริงที่ว่านักวิจัยมล มากที่สุดในขณะที่เป็นอย่างดีในความน่าจะเป็นและสถิติ จะค่อนข้างคุ้นเคยกับพื้นฐานของฟัซซี่ ลอจิก จริงๆแล้ว อย่างไรก็ตาม เหตุผลที่ยังสามารถพบได้ในด้านของชุมชนแบบฟัซซี่ ด้วยเหตุผลบางอย่าง , เอกสารคลุมเครือมากยอมรับว่าตกมาตรฐานทางวิทยาศาสตร์ในการเรียนรู้ด้วยเครื่องจักร ซึ่งมีเพิ่มขึ้นอย่างต่อเนื่องกว่าทศวรรษที่ผ่านมาโดยไม่พยายามที่จะให้คำอธิบายนี้สะท้อนให้เห็นถึงผู้เขียนความประทับใจจากประสบการณ์ส่วนตัวและการเขียนบทบรรณาธิการ นอกจากนี้ ฝอยชุมชน ml ดูเหมือนว่าจะค่อนข้างล้าหลังในแง่ของสมดุล การเรียนรู้ด้วยเครื่องจักรได้พัฒนาอย่างรวดเร็วมากในช่วงที่ผ่านมา และ " หัวข้อร้อน " มีการเปลี่ยนแปลงอย่างรวดเร็ว ในขณะที่นักวิชาการ ml จะเน้นหัวข้อต่างๆ เช่น เรียนลึกการเรียนรู้มากมาย โครงสร้างผลผลิตและการกระทำ sparsity ก่อน , บีบอัด , การสร้างสรรค์ , ฯลฯ ส่วนใหญ่ของเอกสารคลุมเครือยังเกี่ยวกับการเหนี่ยวนำกฎหัวข้อที่เป็นผู้ใหญ่และเป็นหลักที่หยุดใน ml การวิจัยในปี 1990 .
ในส่วนต่อไปนี้ที่มีอยู่ในเครื่องทำงานแบบการเรียนรู้และผลงานมักจะเน้นโดยนักวิชาการ ฟัซซี่จะกล่าวถึงในรายละเอียดเพิ่มเติมบางส่วน แม้ว่าในการเป็นแบบอย่าง มากกว่าวิธีอย่างละเอียด ต่อไปส่วนความคิดเห็นเกี่ยวกับแบบจำลองฟัซซีฟิเคชั่น เพราะนี่คือเอกสารอะไรมากที่สุดในการเรียนรู้เครื่องคลุมเครือเกี่ยวกับ ด้าน interpretability section4addresses ,ซึ่งโดยปกติจะเน้นประโยชน์หลักของวิธีการฟัซซี่ ในขณะที่ section5is อุทิศให้กับการเป็นตัวแทนของความไม่แน่นอนในการเรียนรู้เครื่อง เส้นทางที่น่าสนใจบางอย่างสำหรับการทำงานในอนาคตจะวาดใน section6 ก่อนสรุปกระดาษใน section7 .