可解释的深度TSK模糊系统综述

深度神经网络在多个领域取得了突破性的成功，然而这些深度模型大多高度不透明。而在很多高风险领域，如医疗、金融和交通等，对模型的安全性、无偏性和透明度有着非常高的要求。因此，在实际中如何创建可解释的人工智能（Explainable artificial intelligence， XAI）已经成为了当前的研究热点。作为探索XAI的一个有力途径，模糊人工智能因其语义可解释性受到了越来越多的关注。其中将高可解释的Takagi-Sugeno-Kang（TSK）模糊系统和深度模型相结合，不仅可以避免单个TSK模糊系统遭受规则爆炸的影响，也可以在保持可解释性的前提下取得令人满意的测试泛化性能。本文以基于栈式泛化原理的可解释的深度TSK模糊系统为研究对象，分析其代表模型，总结其实际应用场景，最后剖析其所面临的挑战与机遇。