A Design of Fuzzy Rule-Based Classifier for Multiclass Classification and Its Realization in Horizontal Federated Learning
Notice bibliographique
Résumé
Pattern recognition plays an important role in the process of knowledge discovery. The construction of easily describable and interpretable classification rules is of vital importance in pattern recognition. In this study, we propose a development of fuzzy rule-based classifier for multiclass classification problems and elaborate on a privacy-preserving realization of the proposed methodology in the presence of decentralized datasets. Fuzzy rule-based models provide an effective and efficient alternative for characterizing the complex relationship between the input variables and target classes. An overall design process of the proposed classifier consists of two main phases: (a) formation of information granules (clusters) to reveal the underlying structure of the training data, and (b) construction of local classification rules whose outputs reflect the probability distribution of the input data over all the classes. The constructed information granules form a backbone of the architecture of the classifier while the optimization of the parameters of local rules is carried out through using a gradient descent method with the guidance of the cross-entropy loss function. Furthermore, a federated gradient-based optimization mechanism is utilized to construct fuzzy classifier in a privacy-preserving approach. The originalities of the proposed methodology are twofold: first, a design of fuzzy classifier through the synergy of cluster-centric architecture and the cross-entropy loss function is presented. Second, we augment the proposed fuzzy classifier based on the concept of federated learning such that it can learn from distributed data without sacrificing data security and confidentiality. Experiments are carried out on a two-dimensional synthetic dataset and a number of real-world datasets. Experimental results show the excellent classification capability of the proposed classifier realized in the centralized way and in the federated learning environment.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».