Краткое содержание

arXiv:2511.08077v1 Тип объявления: кросс Аннотация: Интеграция различных парадигм машинного обучения давно является предметом исследований, направленных на преодоление присущих ограничений отдельных методов. Модели на основе нечётких правил отличаются высокой интерпретируемостью и получили широкое распространение в разных областях. Однако такие модели сталкиваются с проблемами сложности спецификаций проектирования и масштабирования при работе с большими наборами данных. Слияние различных техник и стратегий, особенно градиентного бустинга, с моделями на основе нечётких правил представляет собой надёжное решение указанных проблем. В данной статье предлагается интегрированная фреймворк-схема слияния, объединяющая сильные стороны обеих парадигм для повышения производительности моделей и их интерпретируемости. На каждой итерации строится модель на основе нечётких правил, управляемая динамическим фактором, оптимизирующим её вклад в общий ансамбль. Этот управляющий фактор выполняет несколько функций: предотвращает доминирование одной модели, стимулирует разнообразие, действует как