Hierarchical Architectures of Fuzzy Models: From Type-1 fuzzy sets to Information Granules of Higher Type
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
Complex phenomena are perceived from different perspectives, diversified conceptual points of view and at various levels of granularity. Symbolic and sub-symbolic processing becomes an inherently visible computing practice. Distributed nature of perception becomes reflected in topologies of multi-agent systems. All of these facets challenge the well-established paradigms of system modeling including fuzzy models and neural networks. In spite of the diversity of existing architectures and underlying algorithms, a vast majority of fuzzy models adheres to the surprisingly homogeneous principles of Granular Computing, that are associated with the processing of granular information. In this study, being cognizant of this underpinning, we concentrate on the architectures and fundamentals supporting the reconciliation and characterization of a family of fuzzy models aimed at the representation of the same system (phenomenon) from different cognitive perspectives. The variety of points of view is reflected in different levels of granularity (specificity) of fuzzy sets present in individual models as well as different feature (attribute) spaces being used in the individual models. We discuss a way in which type-2 fuzzy sets come to the play as a result of the overall characterization. An effective way of determining of such fuzzy sets is presented. Further studies on the interpretability of fuzzy sets at the level of linguistic valuation are presented and with this regard where it is shown how these can be carried out in the setting of type-2 fuzzy sets. The question of logic operators constructed in presence of a large number of fuzzy sets is raised along with a proposal of statistically grounded logic operators, which capture some characteristics of membership degrees to be processed.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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