| 可解释的深度TSK模糊系统综述 |
| |
| 引用本文： | 王士同,谢润山,周尔昊. 可解释的深度TSK模糊系统综述[J]. 数据采集与处理, 2022, 37(5): 935-951 |
| |
| 作者姓名： | 王士同 谢润山 周尔昊 |
| |
| 作者单位： | 江南大学人工智能与计算机学院，无锡 214000 |
| |
| 基金项目： | 国家自然科学基金（61972181）；江苏省自然科学基金（BK20191331）；江苏省研究生科研与实践创新计划项目（KYCX22-2315）。 |
| |
| 摘 要： | 深度神经网络在多个领域取得了突破性的成功，然而这些深度模型大多高度不透明。而在很多高风险领域，如医疗、金融和交通等，对模型的安全性、无偏性和透明度有着非常高的要求。因此，在实际中如何创建可解释的人工智能（Explainable artificial intelligence， XAI）已经成为了当前的研究热点。作为探索XAI的一个有力途径，模糊人工智能因其语义可解释性受到了越来越多的关注。其中将高可解释的Takagi-Sugeno-Kang（TSK）模糊系统和深度模型相结合，不仅可以避免单个TSK模糊系统遭受规则爆炸的影响，也可以在保持可解释性的前提下取得令人满意的测试泛化性能。本文以基于栈式泛化原理的可解释的深度TSK模糊系统为研究对象，分析其代表模型，总结其实际应用场景，最后剖析其所面临的挑战与机遇。
|
| 关 键 词： | 可解释的人工智能 模糊人工智能 TSK模糊系统 可解释性 深度结构 栈式泛化原理 |
| 收稿时间： | 2021-08-12 |
| 修稿时间： | 2022-09-01 |
Survey of Interpretable Deep TSK Fuzzy Systems |
| |
| Wang Shitong,Xie Runshan,Zhou Erhao. Survey of Interpretable Deep TSK Fuzzy Systems[J]. Journal of Data Acquisition & Processing, 2022, 37(5): 935-951 |
| |
| Authors: | Wang Shitong Xie Runshan Zhou Erhao |
| |
| Affiliation: | School of Artificial Intelligence and Computer Science, Jiangnan University, Wuxi 214000, China |
| |
| Abstract: | |
| |
| Keywords: | explainable artificial intelligence (XAI) fuzzy AI TSK fuzzy systems interpretability deep structures stacked generalization principle |
|
| 点击此处可从《数据采集与处理》浏览原始摘要信息 |
|
点击此处可从《数据采集与处理》下载全文 |
