面向可解释性人工智能与大数据的模糊系统发展

面向可解释性人工智能与大数据的模糊系统发展展望

陈德旺, 蔡际杰, 黄允浒

摘要模糊系统作为一种万能逼近器具有很强的可解释性，已被广泛应用在各个领域。尽管目前模糊系统的理论研究不够成熟，仍然存在诸如规则太多、优化困难、维度诅咒等问题，难以处理高维大数据。尽管深度神经网络取得了突出进展，能很好处理图像和语音等大数据，但其可解释性不好，难以用于安全相关的重要场合。因此，非常有必要研究一种基于模糊系统的可解释性强的人工智能算法。结合深度神经网络和模糊系统两者的优点，研究深度模糊系统及其算法，将有可能解决高维大数据问题。主要对模糊系统的发展历程与研究进展分别进行详细阐述，并根据其现有的问题指出其未来的发展方向，对进一步的研究问题进行展望。

关键词:模糊系统;可解释AI;高维大数据;深度模糊系统;神经模糊系统

CHEN Dewang, CAI Jijie, HUANG Yunhu

AbstractAs a universal approximator with strong interpretability,fuzzy system has been widely used in various the current theoretical research on fuzzy system is not mature enough,there are still many problems such as too many rules,optimization difficulties,dimension curse,which make it difficult to deal with high-dimensional large deep neural network has made remarkable progress and can process large data such as image and voice very well,its interpretability is not good and it is difficult to be used in important security-related ,it is necessary to study an interpretable artificial intelligence algorithm based on fuzzy the advantages of deep neural network and fuzzy system,it is possible to solve the problem of high dimensional and large data by studying the deep fuzzy system and its development history and research progress of fuzzy system separately was mainly reviews,and its future development direction according to its existing problems was pointed out,and the summary of this article and the prospect for further research about the problems were given.

Keywords:fuzzy system ; interpretable artificial intelligence ; high-dimensional big data ; deep fuzzy system ; neuro fuzzy system

CitationCHEN prospect of fuzzy system oriented to interpretable artificial intelligence and big Journal of Intelligent Science and Technology[J], 2019, 1(4): 327-334

1引言

模糊集合论[]由 Zadeh 教授于 1965 年首次提出，该集合称为 I-型模糊集合(type-1 fuzzy set， T1-FS)。由于经典控制论过于强调精确性，无法解决复杂系统问题，因此Zadeh教授决定采用数学的形式描述模糊概念。模糊集合论的提出使计算机突破了无法处理模糊概念的禁锢。Zadeh 教授[]于1975年提出II-型模糊集合(type-2 fuzzy set，T2-FS)的概念，增强了集合的模糊性，进而提高了处理不确定性问题的能力。II-型模糊集合及系统作为I-型模糊集合与系统的扩展，其最主要的特征是能够对不确定性问题进行建模并最小化其影响。若所有不确定性都消失了，则II-型模糊集合和系统将与I-型模糊集合和系统相对应。此外，Zadeh 教授陆续提出了模糊算法[]、模糊决策[]、模糊排序[]等概念，Zadeh教授在模糊领域所做的贡献为人工智能(artificial intelligence，AI)开辟了一条新道路，使模糊系统(fuzzy system，FS)的研究得以快速发展。有学者将 FS 应用在了控制领域，促进了用于处理实际系统的模糊控制器的产生[]。

FS能够模仿人类的知识推理能力，将复杂的模糊问题清晰化，将具体问题抽象成函数问题，并基于组合规则库中的 IF-THEN 规则生成输入与输出的映射关系[]。FS具有如下优点:一是可以逼近任意非线性函数;二是可以充分利用各种有效信息，有机结合数据信息和描述信息，从而建立误差尽可能小的非线性函数;三是其规则可以很好地解释FS的结构及参数，可解释性强[]。FS的可解释性(包括最简约模糊划分、完备-清晰性、模糊规则的完备性、紧凑性和一致性[])可以解释算法的模型结构和参数，可以体现输出结果的产生过程，为人们理解 FS 的原理提供了便利。而神经网络(neural network，NN)在可解释性上却很差，即使是专家也难以解释和理解其参数的意义，这也是NN难以被应用到安全等领域的原因之一。目前，虽然基于神经网络的方法、基于全局优化(global optimization，GO)的FS以及NN、FS和遗传算法(genetic algorithm，GA)三者结合的方法较好地解决了图像识别、自然语言处理等可解释性差的问题，但却无法保证其可解释性。原因是这些算法的目标是获得最优的系统响应性能，而对于模糊集合划分个数、隶属度函数参数的选取却缺乏有效的指导。因此，如何得到最优的响应系统，同时又保证较高的可解释性，成为一个亟待解决的问题。

文章来源：《模糊系统与数学》 网址: http://www.mhxtysxzz.cn/zonghexinwen/2020/1103/333.html