Reinforced Interval Type-2 Fuzzy Clustering-Based Neural Network Realized Through Attention-Based Clustering Mechanism and Successive Learning
Notice bibliographique
Résumé
In this article, a novel attention-based reinforced interval type-2 fuzzy clustering neural network (ARIT2FCN) is developed to improve the generalization performance of fuzzy clustering-based neural networks (FCNNs). Commonly, fuzzy rules in FCNNs are generated through the clustering-based rule generator. However, the generated fuzzy rules may not be able to fully describe the given data, because the clustering-based rule generator does not simultaneously consider the intracluster homogeneity and intercluster heterogeneity for both of data characteristics and label information when defining membership functions (MFs) of fuzzy rules. This negatively affects fuzzy rules to accurately quantify the interclass heterogeneity and intraclass homogeneity and degrades the performance of FCNNs. The ARIT2FCN is proposed with the aid of the attention-based clustering mechanism and the successive learning method. The attention-based clustering mechanism is designed to define MFs by simultaneously considering data characteristics and label information. The successive learning method is adopted to construct the desired fuzzy rules that can capture the interclass heterogeneity and intraclass homogeneity. Moreover,L$_{2}$norm regularization is used to alleviate the overfitting effect. The performance of ARIT2FCN is evaluated on machine learning datasets with 16 comparative methods. In addition, two real-world problems are adopted to validate the effectiveness of ARIT2FCN. Experimental results demonstrate that the ARIT2FCN outperforms the comparative methods, and the statistical tests also support the superiority of ARIT2FCN.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».