BPFNN: Bayesian Probabilistic Fuzzy Neural Networks for Uncertainty-Aware Clustering and Probabilistic Fuzzy Reasoning
Notice bibliographique
Résumé
This article introduces the Bayesian probabilistic fuzzy neural network (BPFNN), a unified architecture designed to overcome the challenges of conventional fuzzy clustering and neural networks in terms of uncertainty, noise, and interpretability. At its core, the Bayesian probabilistic fuzzy $C$ -means (BPFCMs) algorithm is employed to define the hidden-layer nodes, extending traditional FCM through non-Gaussian modeling and posterior inference via Markov chain Monte Carlo (MCMC). By combining Metropolis-Hastings (MHs) for membership updates with Gibbs sampling for parameter estimation, BPFCM yields probabilistic memberships that capture uncertainty in the antecedent rules more effectively than deterministic approaches. Since the hidden-layer activations represent only similarity values between inputs and cluster centers, the original input features are not directly preserved. To compensate, the hidden-to-output connections are formulated as linear functions of the input, ensuring recovery of discriminative information in the consequent rules. These functions are optimized using a generalized cross-entropy (GCE) objective, with iteratively reweighted least squares (IRLSs) employed for efficient and regularized updates. Extensive experiments on benchmark datasets and high-dimensional laser-induced breakdown spectroscopy (LIBS) spectral data confirm that BPFNN consistently surpasses both classical fuzzy systems and contemporary deep learning models, providing improved accuracy, robustness, and interpretability.
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 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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».