通过改进 Interval Type-2 Fuzzy Logic Systems (FLSs) 来提高高风险场景下的预测区间 (Prediction Intervals) 生成，包括增加 Karnik-Mendel (KM) 和 Nie-Tan (NT) 方法的灵活性、通过参数化技巧解决大规模学习挑战、对抗维度灾难问题，以及引入高维 Takagi-Sugeno-Kang 方法来增强不确定性量化和提高学习性能。

Apr, 2024

本论文通过采用 Zadeh 的 GT2 Fuzzy Set 定义，旨在学习能够在高精确度下可靠地实现高品质预测区间的 General Type-2 Fuzzy Logic Systems，并通过整合 Z-GT2-FS 与 α-plane 表示法来增加 GT2-FLS 的设计灵活性，提供了学习高维数据的解决方案，并发展了一个具有高性能的学习双重关注的 Z-GT2-FLS 深度学习框架，并通过统计分析表明，与具有更多可学习参数的 GT2 和 IT2 模糊对应物相比，Z-GT2-FLS 不仅表现出高精确性能，还产生了高品质预测区间，显示出巨大的不确定性量化潜力。

Apr, 2024

本研究提出了基于区间二型模糊逻辑的多标签分类模型，其中使用深度神经网络预测实例类型 - 1 模糊成员资格和模糊化器，以生成区间二型模糊成员资格，并提出一种损失函数来测量数据集中的二元标签和我们的模型生成的区间二型模糊成员资格之间的相似性。实验证明，我们的方法在多标签分类基准测试中优于基线。

Feb, 2023

通过引入模糊学中的模糊成员值和非成员值来评分高维特征空间中的训练样本，我们提出了一种模糊 BLS（F-BLS）模型和基于直觉模糊理论的 BLS（IF-BLS）模型，这两种模型在噪声和离群点方面表现出优秀的泛化性能，并在实际应用中证明其有效性。

Jul, 2023

该研究介绍了一种工业联邦学习系统，旨在支持连续评估和更新中具有足够数据相似性的学习任务，并确保业务合作伙伴在共同机器学习问题中进行最佳协作，防止负面知识转移以及确保涉及边缘设备资源的优化。

May, 2020

本研究提出了基于时域的模糊逻辑系统的可解释性人工智能方法，可以更好地解释现实世界中的不确定性，并在分类方面表现出更好的性能。此系统在处理时间依赖数据时，可以追踪时间相关的事件，从而可以在生物学和社会科学等真实世界的庞大过程中具有潜在的应用。

Oct, 2022

本文概述了在工业物联网中整合联邦学习的隐私、资源和数据管理，并针对联邦学习技术在工业物联网中实现数据隐私保护、本地学习等方面的应用提出了挑战、可能的解决方案和未来研究方向。

Jan, 2021

提出一种名为 Full-stack FL 的新型联邦学习框架，通过使用分层网络架构和标签驱动的知识蒸馏技术，解决大规模 IoT 网络下的可扩展性问题和异构数据环境下的鲁棒性问题，从而在所有全局蒸馏中显著提高了联邦学习的效率。

Sep, 2022

本研究对不同的联邦学习聚合方法进行了性能评估，并将它们与中心化和本地化训练方法进行了比较。研究结果表明，FL 的性能高度依赖于数据及其在客户端的分布。在某些场景下，FL 可以是传统中心化或本地化训练方法的有效替代方案。此外，我们介绍了一个来自实际质量检验环境的新联邦学习数据集。

Apr, 2023

在这项工作中，我们提出了一种新颖的大模型驱动的少样本迭代学习（B-FSCL）框架，通过借鉴世界上的大模型（如人类累积知识）的强大编码能力，逐步演化模型，以提高持续模型的适应能力，并优化参数，实现自适应蒸馏的大模型的知识信息。经过在三个流行数据集上的实验验证，我们提出的 B-FSCL 完全超过了所有最先进的 FSCL 方法。

Sep, 2023