Bounded Fuzzy Possibilistic Method
Wroclaw University of Science and Technology（弗罗茨瓦夫科技大学）；Climax Data Pattern（Climax数据模式公司）
本文介绍了有界模糊可能性方法（BFPM），解决以前的聚类/分类方法没有考虑的几个问题。在模糊聚类中，对象的隶属度值之和应等于1。因此，任何对象都可以在最多一个集群中获得完全成员资格。可能性聚类方法消除了这一限制。然而，BFPM不同于以前的模糊和可能性聚类方法，允许的隶属函数采取较大的值相对于所有集群。此外，在BFPM中，数据对象可以在多个集群甚至所有集群中具有完全成员资格。BFPM放宽了成员分配的边界条件（限制）。所提出的方法满足了获得正式成员资格的必要性，并克服了传统方法在处理重叠问题上的问题。本文还提出了分析对象从自己的类到另一个类的运动（突变）。BFPM已经在几何学、集合论、异常检测、风险管理、疾病诊断等学科中得到了广泛的应用。有效性和比较指标也被用来评估BFPM的准确性。从精度、模糊化常数（不同范数）、目标运动分析和覆盖多样性等方面对BFPM进行了评价。有希望的结果证明了在学习方法中考虑所提出的方法来跟踪数据对象的行为的重要性，除了获得准确的结果。
2019-02-08 cs.AI cs.LG stat.ML
A New Validity Index for Fuzzy-Possibilistic C-Means Clustering
在一些复杂的数据集中，由于噪声数据点和离群值的存在，聚类有效性指标在确定最佳聚类数时可能会给出相互矛盾的结果。本文提出了一种新的模糊可能性c均值聚类的有效性指标称为模糊可能性（FP）指标，它可以很好地工作在存在不同的形状和密度的集群。此外，FPCM像大多数聚类算法一样容易受到一些初始参数的影响。在这方面，除了聚类的数量之外，FPCM还需要对模糊度和典型度进行先验选择。因此，我们提出了一个有效的程序来确定其最佳值。所提出的方法已经使用几个合成和真实世界的数据集进行了评估。最后的计算结果表明，所提出的方法相比，在文献中的几个著名的模糊有效性指标的能力和可靠性。最后，将该方法应用于微阵列基因表达数据聚类和医学图像分割，验证了该方法的实际应用能力。
2020-05-19 cs.AI cs.CV cs.LG
Bounded Fuzzy Possibilistic Method of Critical Objects Processing in Machine Learning
学习方法的不满意的精度主要是由于忽略了重要参数的影响，如隶属度分配，数据对象的类型，距离或相似性函数。所提出的方法，称为有界模糊可能性方法（BFPM）解决了不同的问题，以前的聚类或分类方法没有充分考虑在其成员分配。在模糊方法中，对象的成员数之和应该为1。因此，任何数据对象都可以在至多一个簇或类中获得完全成员资格。可能性方法放宽了这一条件，但即使任意对象仅从一个簇中获得成员资格，该方法也可以满足结果，这妨碍了对象的运动分析。然而，BFPM不同于以往的模糊和可能性的方法，通过消除这些限制。此外，BFPM为目标的运动分析提供了灵活的搜索空间。数据对象也被认为是学习方法中的基本关键，并且知道对象的确切类型导致为学习算法提供合适的环境。论文介绍了一种新类型的对象，称为关键，以及分类数据对象分为两个不同的类别：基于结构和基于行为。关键对象被认为是学习过程中错误分类和错误分配的原因。论文还提出了新的方法来研究关键对象的行为，目的是评估对象从一个集群或类到另一个集群或类的移动（突变）。论文还介绍了一种新的类型的功能，称为显性，这被认为是错误的分类和错误分配的原因之一。在此基础上，本文提出了一套新的相似度函数，称为加权特征距离（WFD）和优先加权特征距离（PWFD）。
2020-07-26 cs.AI cs.LG stat.ML
On Modal Logics for Qualitative Possibility in a Fuzzy Setting
Spanish Council for Scientific Research (CSIC)（西班牙国家研究委员会）
在不确定性建模的可能性方法中，本文提出了一种模态逻辑系统来推理模糊命题的可能性（和必要性）的定性（比较）陈述。我们把这种定性模态逻辑与著名的知识和信念模态逻辑S5和KD 45的多值类似物MVS5和MVKD 45分别联系起来。完整性结果得到这样的逻辑，因此，他们扩展了以前现有的结果定性可能性逻辑在经典的非模糊设置。
2013-02-27 cs.AI cs.LO
A Logic of Graded Possibility and Certainty Coping with Partial Inconsistency
Institut de Recherche en Informatique de Toulouse (I.R.I.T.)（图卢兹计算机科学研究所）；Universite Paul Sabatier（保尔·萨巴蒂埃大学）
一个语义给出了可能性逻辑，一个逻辑，处理加权经典逻辑公式，并在那里的权重被解释为下界程度的确定性或可能性，在这个意义上的扎德的可能性理论。建议的语义是基于模糊集的解释。它容忍部分不一致。可满足性从解释扩展到解释的模糊集，每个模糊集代表一个描述已知世界状态的可能性分布。将可能性知识库看作是满足它的可能性分布的集合，并证明了基于广义归结原理的可能性逻辑自动推理的反驳方法对于所提出的语义（包括部分不一致的情况）是可靠和完备的.
2013-03-20 cs.AI cs.LO
Loopy Belief Propagation in Bayesian Networks : origin and possibilistic perspectives
在本文中，我们提出了一个综合的工作进行两个推理算法：珍珠的信念传播（BP）算法适用于贝叶斯网络没有循环（即polytree）和循环的信念传播（LBP）算法（灵感来自BP），这是适用于网络包含无向循环。众所周知，BP算法，适用于贝叶斯网络与循环，给出不正确的数值结果，即不正确的后验概率。Murphy等人[7]发现LBP算法在多个网络上收敛，当这种情况发生时，LBP给出了精确后验概率的良好近似。然而，该算法在应用于QMR（快速医学参考）网络时呈现振荡行为[15]。这种现象阻止了LBP算法收敛到后验概率的良好近似。我们相信，翻译的推理计算问题从概率框架的可能性框架将允许LBP算法的性能改善。我们希望，该算法的适应可能性因果网络将显示LBP的收敛性的改善。
2012-06-05 cs.AI cs.IR
Certain Bayesian Network based on Fuzzy knowledge Bases
Research Group on Intelligent Machines（智能机器研究组）；National School of Engineers（国家工程师学校）
在本文中，我们试图检查之间的权衡模糊逻辑和某些贝叶斯网络，我们提出了结合各自的优势到模糊确定贝叶斯网络（FCBN），模糊随机变量的确定贝叶斯网络。本文论述了不确定性的不同定义和分类、不确定性的来源以及处理不确定性的理论和方法。将明确的确定性程度模糊化为模糊变量，提高了网络的质量，并往往带来网络性能的平滑性和鲁棒性。其目的是提供一种新的方法，结合三种方法：贝叶斯网络，确定性分布和模糊逻辑的不确定性下的决策。在本文提出的框架内，我们解决的问题，扩展某些网络的模糊某些网络，以应付现有模型的不精确和不确定的知识下的决策的复杂性和局限性。
2012-06-05 cs.AI
Possibilistic Pertinence Feedback and Semantic Networks for Goal's Extraction
Department of Technology Preparatory Institute of Engineering Studies of Monastir（莫纳斯提尔工程研究预备学院技术系）
相关性反馈是一种技术，使用户能够交互地表达他的信息需求，通过修改他的原始查询公式与进一步的信息。通过明确确认由系统提取的一些指示对象和/或目标的相关性来提供该信息。显然，用户不能将对象和/或目标标记为相关的，直到一些被提取，所以第一次搜索必须由查询发起，并且初始查询规范必须足够好，以从语义网络中挑选出一些相关的对象和/或目标。在本文中，我们提出了一个简短的调查模糊和语义的知识提取方法。此类方法的目标是定义灵活的知识提取系统，能够处理提取过程固有的模糊性和不确定性。人们早就认识到，交互性提高了知识提取系统的有效性。新手用户的查询是最自然和交互式的通信媒介，最近的进展，在认识是有可能建立系统，与用户进行交互。然而，鉴于典型的新手用户的查询提交给知识提取系统，很容易想象，新手用户的查询中的目标识别错误的影响，必须严重破坏系统的有效性。本文报道的实验工作表明，在经典的知识提取技术的新手用户的查询处理的可能性理论的使用是更强大的比使用概率理论。此外，可能性和概率相关性反馈可以有效地提高新手用户的查询处理的有效性。
2012-06-05 cs.AI cs.IR
A Study on Group Decision Making Problem Based on Fuzzy Reasoning and Bayesian Networks
University of Science and Technology Liaoning（辽宁科技大学）
针对多目标属性群决策问题，提出集成模糊推理与贝叶斯网络的系统，利用模糊规则库和分层贝叶斯网络建模非线性关系，实验证明其分类准确率达86.0%，F1值较传统方法提升53.4%，具有良好鲁棒性。
2025-04-30 cs.AI
Fuzzy Bayesian Learning
Imperial College London（帝国理工学院）；Sciemus Ltd（Sciemus有限公司）；University of Oxford（牛津大学）
在本文中，我们提出了一种新的方法，从数据中学习使用基于规则的模糊推理系统的模型参数估计使用贝叶斯推断和马尔可夫链蒙特卡罗（MCMC）技术。我们使用合成数据集的回归和分类任务的方法的适用性，也在金融服务行业的一个现实世界的例子。然后，我们演示了如何将该方法扩展到知识提取中，以贝叶斯方式选择最能解释给定数据的单个规则。最后，我们讨论了使用这种方法的优点和陷阱，在国家的最先进的技术，并强调这将是有用的问题的具体类别。
2018-06-22 cs.AI stat.ML
Reliable Classification with Conformal Learning and Interval-Type 2 Fuzzy Sets
School of Computer Science and Electronic Engineering（计算机科学与电子工程学院）；University of Essex（埃塞克斯大学）
本文提出将保形学习与模糊规则系统结合用于分类，并探讨区间二型模糊集及系统微调对提升保形预测可靠性和输出质量的作用。
2025-04-21 cs.AI
The Effects of Perfect and Sample Information on Fuzzy Utilities in Decision-Making
University of California, Berkeley（加州大学伯克利分校）
在本文中，我们首先考虑贝叶斯框架和模型的“效用函数”的模糊随机变量。在此模型的基础上，我们定义了与每个动作相关联的“先验（模糊）期望效用”，以及相应的“后验（模糊）期望效用给定的样本信息从随机实验”。本文的目的是分析样本信息如何影响期望效用。这样，通过使用一些模糊偏好关系，我们得出结论，样本信息允许决策者增加平均期望效用。期望效用值的上界是当决策者有完全信息时。通过两个例子介绍了这项工作在人工智能领域的应用。
2013-03-27 cs.AI
Conflict Analysis for Pythagorean Fuzzy Information Systems with Group Decision Making
Tongji University（同济大学）；Changsha University of Science and Technology（长沙理工大学）
与直觉模糊集相比，勾股模糊集具有更强的建模不确定性信息和知识的能力，但勾股模糊信息系统的冲突分析研究较少。在本文中，我们提出了三种类型的积极，中心和消极的联盟与不同的阈值，并举例说明如何构建积极，中心和消极的联盟。然后研究了基于贝叶斯最小风险理论的勾股模糊信息系统冲突分析。最后，我们研究了基于贝叶斯最小风险理论的勾股模糊信息系统群体冲突分析。
2017-07-12 cs.AI cs.IT math.IT
Stochastic Sensitivity Analysis Using Fuzzy Influence Diagrams
University of California, Berkeley（加州大学伯克利分校）
在决策分析文献中描述的随机敏感性分析的实践证明，需要考虑不确定性的精确点估计的偏差。我们建议使用贝叶斯模糊概率的影响图计算方案进行灵敏度分析的概率推理和决策问题的解决方案。与其他参数方法不同，该方案不需要解决问题的变化的概率点估计。我们声称，模糊影响图的解决方案提供了尽可能多的信息，经典的点估计方法加上有关随机敏感性的额外信息。以微机装配中的诊断决策为例说明了这一思想。我们声称，模糊影响图的解决方案提供了尽可能多的信息，经典的点估计方法加上额外的区间信息，是有用的随机敏感性分析。
2013-03-27 cs.AI
BTBR: A Bayesian-Theory-Driven Probabilistic-Fuzzy Framework for Implicit Bias Removal in Large Language Models
University of Technology Sydney（悉尼科技大学）；National University of Singapore（新加坡国立大学）
针对大模型隐性偏见问题，提出BTBR混合概率-模糊框架，通过似然比筛选、知识三元组转换和模糊规则调度编辑，有效消除角色诱导性能差距并保持推理能力。
2026-09-10 cs.AI cs.CL
On the Efficiency of the Neuro-Fuzzy Classifier for User Knowledge Modeling Systems
Islamic Azad University（伊斯兰阿扎德大学）
用户知识建模系统被用来作为最有效的技术，抓住新用户的注意力。此外，通过这些智能业务提高了服务质量（QOS）。本文提出了两种基于人工神经网络的用户知识分类器，作为知识建模系统的重要组成部分。我们采用多层感知器（MLP）和自适应神经模糊推理系统（ANFIS）作为分类器。此外，我们使用真实数据包含用户的学习时间，重复次数，他们在考试中的表现，以及学习百分比，作为我们的分类器的输入。与其他研究中使用的KNN和贝叶斯分类器等方法相比，我们的实验具有更好的性能。虽然训练集的样本数量不够大，但在测试集上，神经模糊分类器的性能达到了98.6%，这是与其他分类器相比最好的结果。然而，与ANFIS结果相比，MLP的性能降低，尽管MLP的性能比贝叶斯和KNN等其他方法更有效。由于我们的目标是评估和报告用户知识建模系统的神经模糊分类器的效率，我们利用了许多不同的评估指标，如接收器操作特性和曲线下面积，总准确度和Kappa统计。
2019-10-26 cs.AI cs.LG
Agentic Chunking and Bayesian De-chunking of AI Generated Fuzzy Cognitive Maps: A Model of the Thucydides Trap
University of Southern California（美国南加州大学）；Florida International University（佛罗里达国际大学）
本文提出了一种基于代理分块和贝叶斯去分块的方法，用于生成和更新人工智能生成的模糊认知图，通过在文本中生成重叠的文本分块，并利用稀疏因果分块矩阵进行混合，从而构建出代表性的循环模糊认知图知识图谱，以预测特克西德斯陷阱模型中的冲突结果。
2026-05-18 cs.AI cs.CL cs.HC
Fuzzy Stochastic Timed Petri Nets for Causal properties representation
Universidad Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）；Universidad Autónoma de Madrid（马德里自治大学）；Universidad Pontificia de Comillas（科米利亚斯主教大学）
图像经常被用来建模，表示和交流知识。特别是，图是最强大的工具之一，能够表示对象之间的关系。因果关系通常由有向图表示，节点表示原因，链接表示因果影响。因果图是一幅骨架图，显示实体之间的因果关系和影响。用于图形化表示因果场景的常用方法是神经元、真值表、因果贝叶斯网络、认知图和Petri网。因果关系通常被定义为优先（原因先于结果），并发性（通常，一个结果是由两个或多个原因同时引起的），循环性（原因引起结果，结果加强原因）和不精确性（原因的存在有利于结果，但不一定导致它）。我们将表明，即使传统的图形模型能够单独表示上述的一些属性，他们无法试图说明模糊所有这些。为了接近这一差距，我们将引入模糊随机时间Petri网作为一个图形工具，能够代表时间，同现，循环和因果流的不精确性。
2020-11-24 cs.AI cs.CL
