模糊逻辑发生了什么？

当我在读研究生时（2000年代初），模糊逻辑似乎是机器学习和数据挖掘研究的活跃领域。模糊推理系统，模糊c均值，各种神经网络的模糊版本和支持向量机体系结构都在研究生课程中进行了讲授，并在会议中进行了讨论。

自从我再次开始关注ML（〜2013）以来，Fuzzy Logic似乎已完全脱离了人们的视野，鉴于所有AI的炒作，Fuzzy Logic在当前ML领域的缺席是显而易见的。

这是不是只是一个话题过时的案例，还是由于模糊逻辑和模糊推理的特定限制而导致该话题被研究人员抛弃了？

根据jbowman的评论进行澄清：是否有某些事件或发现导致FL过时，例如类似于60年代的神经网络，当时它们已经过时，因为事实证明它们无法解决XOR ？还是模糊系统在竞争范式方面表现出色？

我的答复在技术上与模糊集而不是模糊逻辑更相关，但实际上这两个概念是不可分割的。几年前，我研究了有关模糊逻辑的学术期刊文章，以撰写有关在SQL Server中实现模糊集的教程系列。尽管我很难被认为是专家，但我对文献相当熟悉，并定期使用技术来解决实际问题。我从已发表的研究中得出的强烈印象是，模糊集的实际潜力仍未开发，这主要是由于对其他数十种可以解决互补问题集的技术家族进行了大量研究。

数据科学/机器学习等领域拥挤的思想市场

支持向量机，神经网络，随机森林等方面的发展如此迅速，以至于专家，分析师，数据科学家，程序员或产品的消费者都无法跟上这一切。在我的一系列博客文章中，我详细介绍了模糊集和逻辑算法的开发通常比现有软件领先20多年，但是在许多相关领域也可以这样说。我在神经网络上进行了深入的阅读，可以想到数十年前开发的，但从未广泛应用的有价值的神经体系结构，更不用说在易于使用的软件中进行编码了。话虽这么说，模糊逻辑和集合在这个拥挤的思想市场中处于一个奇怪的劣势，主要是因为它们的绰号，当Lofti A. Zadeh创造它时就引起了争议。模糊技术的目的只是简单地在连续尺度上近似某些类别的离散值数据，但是诸如“近似连续值逻辑”和“等级集”之类的术语并不引人注目。扎德（Zadeh）承认，他使用“模糊”一词的部分原因是因为它引起了人们的注意，但回头看，它可能巧妙地引起了错误的注意。

术语“模糊”适得其反

对于数据科学家，分析师或程序员而言，这是一个可以唤起“酷技术”氛围的术语。对那些对AI /数据挖掘/等感兴趣的人。等只能解决业务问题，“模糊”听起来像是不切实际的麻烦。对于公司经理，参与医学研究的医生或其他未知的消费者而言，它可能会让人联想到毛绒动物的图像，70年代的警察表演或乔治·卡林冰箱中的东西。两组之间在行业中一直存在紧张关系，后者通常只是出于智力上的好奇而不是为了获利而限制前者编写代码和进行研究。除非第一个小组可以解释为什么这些模糊技术是有利可图的，否则第一个小组的谨慎态度将阻止它们的采用。

不确定性管理和模糊集应用族

模糊集技术的要点是消除数据中已经固有的模糊不清，其形式是不精确的离散值，可以在近似连续比例上更好地建模，这与人们普遍误以为“模糊”是要添加的东西一样，例如比萨饼上的特殊浇头。这种区别可能很简单，但它涵盖了广泛的潜在应用，从自然语言处理到决策理论再到非线性系统的控制。概率并没有像Cliff AB所建议的那样吸收模糊逻辑，这主要是因为它只是可以附加到模糊值的一小部分解释。模糊隶属函数非常简单，因为它们仅通过分配一个或多个连续值（通常以0到1的比例）来对记录属于特定集合的数量进行分级（尽管对于某些应用程序，ve发现-1比1可能更有用）。我们为这些数字指定的含义取决于我们，因为它们可以表示我们想要的任何东西，例如贝叶斯信念度，对特定决策的信心，可能性分布，神经网络激活，标度方差，相关性等，不只是PDF，EDF或CDF值。我将在我的博客系列以及这篇CV帖子，其中大部分是通过我最喜欢的模糊资源George J. Klir和Bo Yuan的Fuzzy Sets and Fuzzy Logic：Theory and Applications（1995）得出的。他们更详细地介绍了如何从模糊集中得出“不确定性管理”的整个程序。

如果模糊逻辑和集合是消费产品，那么我们可以说，由于缺乏市场营销和产品宣传，加上对商标名称的自相矛盾的选择，它迄今未能兑现。在研究此问题时，我不记得曾遇到过一篇学术期刊文章，试图以类似于Minksy和Papert的臭名昭著的感知器文章的方式揭穿这些应用程序的任何内容。如今，在思想市场上竞争激烈，吸引了开发人员，理论家，数据科学家等关注适用于类似问题集的产品，这是技术快速进步的积极副作用。不利的一面是，这里有很多低挂的水果没有被挑选出来，尤其是在最适合它们的数据建模领域。

我不清楚模糊逻辑思想已经过时（在ML中）的原因。可能有很多原因，例如技术，社会学等。可以肯定的是，过去几年的ML数学主要由概率/统计和优化控制，这两个领域是模糊逻辑（或从模糊文献中提出的想法）可以填充，但是在其中通常带来的答案多于问题。概率和优化的另一个优点是，尽管它们之间可能存在不同的趋势/解释（例如，贝叶斯对频繁主义者），但基本形式/数学框架对于那些概率/稳定却是相对稳定的（在我看来，模糊逻辑并不那么清晰）从广义上理解）。

• Hüllermeier，E.（2015年）。机器学习需要模糊逻辑吗？模糊集和系统，281，292-299。

我认为模糊逻辑的基本思想之一，就是对渐进的概念进行建模并提供与其相关的推理工具（主要是扩展逻辑，但不仅是逻辑），仍然存在于某些机器学习思想中，包括最近的思想。您只需要仔细查找它，因为它很少见。两个示例包括：

• Farnadi，G.，Bach，SH，Moens，MF，Getoor，L.，＆De Cock，M.（2017年）。统计关系学习中的软量化。机器学习，106（12），1971-1991。（其中参考文献包括模糊逻辑的文献，包括Zadeh开创性论文）
• Cheng W.，Rademaker M.，De Baets B.和HüllermeierE.（2010年9月）。预测部分订单：弃权排名。在数据库机器学习和知识发现联合欧洲会议上（第215-230页）。施普林格，柏林，海德堡。

总体而言，要以更个人的角度回答您的问题，我的感觉是，对于模糊逻辑可以完成的工作（在最近的ML观点中）尚无明确的认识，而概率则要大得多，并且显然适合使用ML框架查看概率种群发出的数据更好，与概率逻辑和统计量相比，与模糊逻辑结合起来更自然。这也意味着如果您想在ML中使用模糊逻辑，则必须提出令人信服的充分理由（例如，利用它们通过提供可区分的功能来扩展逻辑的事实，以便可以在深度学习中包括逻辑规则）技术）。