Development of Granular Fuzzy Relation Equations Based on a Subset of Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Developing and optimizing fuzzy relation equations are of great relevance in system modeling, which involves analysis of numerous fuzzy rules. As each rule varies with respect to its level of influence, it is advocated that the performance of a fuzzy relation equation is strongly related to a subset of fuzzy rules obtained by removing those without significant relevance. In this study, we establish a novel framework of developing granular fuzzy relation equations that concerns the determination of an optimal subset of fuzzy rules. The subset of rules is selected by maximizing their performance of the obtained solutions. The originality of this study is conducted in the following ways. Starting with developing granular fuzzy relation equations, an interval-valued fuzzy relation is determined based on the selected subset of fuzzy rules (the subset of rules is transformed to interval-valued fuzzy sets and subsequently the interval-valued fuzzy sets are utilized to form interval-valued fuzzy relations), which can be used to represent the fuzzy relation of the entire rule base with high performance and efficiency. Then, the particle swarm optimization (PSO) is implemented to solve a multi-objective optimization problem, in which not only an optimal subset of rules is selected but also a parameter ε for specifying a level of information granularity is determined. A series of experimental studies are performed to verify the feasibility of this framework and quantify its performance. A visible improvement of particle swarm optimization (about 78.56% of the encoding mechanism of particle swarm optimization, or 90.42% of particle swarm optimization with an exploration operator) is gained over the method conducted without using the particle swarm optimization algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle