A framework for learning fuzzy rule-based models with epistemic set-valued data and generalized loss functions

یک چارچوب برای یادگیری سیستم های مبتنی بر قاعده فازی از داده های با کیفیت پایین ارائه شده است که در آن تفاوت های بین ارزش های مشاهده شده و واقعی ممکن است تعصب سیستماتیک در مدل ارائه کند. استدلال می شود که مشکلی وجود دارد که جمع آوری زیان های نامشخص در عملکردهای خطر عددی و یا فازی، اطلاعات مفید را تخلیه می کند، در نتیجه، خطر مدل یک بردار از خسارات فازی را ترجیح می دهد. اصول حاکم بر یادگیرنده که قادر به بهینه سازی این توابع خطر چند متغیره فازی است، مورد بحث قرار می گیرد. موارد کاربرد قابل ملاحظه ای برای نشان دادن شرایطی که چارچوب جدید می تواند جایگزین انتخاب شود، کار می شود.