Otimizar Sistemas Fuzzy TSK para Problemas de Regressão: Gradiente Descendente em Minibatches com Regularização, DropRule e AdaBound (MBGD-RDA)

Sistemas fuzzy Takagi–Sugeno–Kang (TSK) são modelos de aprendizado de máquina muito úteis para problemas de regressão. No entanto, até onde sabemos, não existiu um algoritmo de treinamento eficiente e eficaz que assegure seu desempenho de generalização e também os permita lidar com grandes volumes de dados. Inspirados nas conexões entre sistemas fuzzy TSK e redes neurais, estendemos três poderosas técnicas de otimização de redes neurais, ou seja, gradiente descendente em minibatches (MBGD), regularização e AdaBound, para sistemas fuzzy TSK, e também propomos três técnicas inovadoras (DropRule, DropMF e DropMembership) especificamente para o treinamento de sistemas fuzzy TSK. Nosso algoritmo final, MBGD com regularização, DropRule e AdaBound, pode alcançar rápida convergência no treinamento de sistemas fuzzy TSK, além de um desempenho superior de generalização em testes. Ele pode ser usado para treinar sistemas fuzzy TSK em conjuntos de dados de qualquer tamanho; no entanto, é particularmente útil para grandes conjuntos de dados, nos quais atualmente não existem outros algoritmos de treinamento eficientes.