Probabilistic-Fuzzy Inference with Piecewise Linear Quantile Regression

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F25%3AA2603BTE" target="_blank" >RIV/61988987:17610/25:A2603BTE - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/10.1007/978-3-032-00891-6_17" target="_blank" >https://link.springer.com/10.1007/978-3-032-00891-6_17</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-032-00891-6_17" target="_blank" >10.1007/978-3-032-00891-6_17</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Probabilistic-Fuzzy Inference with Piecewise Linear Quantile Regression

Popis výsledku v původním jazyce

Rule-based systems, particularly those using "IF antecedents THEN consequent" rules, play a crucial role in mathematical modeling and decision-making. This work focuses on a specific type of rule-based system: the Probabilistic-Fuzzy Inference System. Here, antecedents are represented as fuzzy sets, while consequents are modeled as probability distributions using quantile functions. The inference process relies on the $L_{1}$-Fuzzy transform, also known as the Quantile Fuzzy transform. For each fuzzy antecedent, a weighted quantile of order $p$ is computed, and the inverse quantile transform derives the empirical quantile function for any input value. Initially, weighted quantiles are modeled as scalar values. To better capture dependencies between input and output data, we extend this model to a piecewise linear function, developed in a structured manner with a comprehensive computational algorithm. Its effectiveness is demonstrated through an illustrative example.

Název v anglickém jazyce

Probabilistic-Fuzzy Inference with Piecewise Linear Quantile Regression

Popis výsledku anglicky

Rule-based systems, particularly those using "IF antecedents THEN consequent" rules, play a crucial role in mathematical modeling and decision-making. This work focuses on a specific type of rule-based system: the Probabilistic-Fuzzy Inference System. Here, antecedents are represented as fuzzy sets, while consequents are modeled as probability distributions using quantile functions. The inference process relies on the $L_{1}$-Fuzzy transform, also known as the Quantile Fuzzy transform. For each fuzzy antecedent, a weighted quantile of order $p$ is computed, and the inverse quantile transform derives the empirical quantile function for any input value. Initially, weighted quantiles are modeled as scalar values. To better capture dependencies between input and output data, we extend this model to a piecewise linear function, developed in a structured manner with a comprehensive computational algorithm. Its effectiveness is demonstrated through an illustrative example.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Modeling Decisions for Artificial Intelligence

ISBN

978-3-032-00891-6

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

13

Strana od-do

214-226

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

València

Datum konání akce

15. 9. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001585667300017