一、可解释性深度学习新方法
深度卷积模糊系统的快速学习算法及其在股票指数预测中的应用
论文：A Fast Training Algorithm for Deep Convolutional Fuzzy Systems with Application to Stock Index Prediction
今天，为大家带来一篇自诩神奇的深度学习的文章大解读，科研之路，厚积薄发，看完这篇文章，也许你就有了写文章的新思路。
用盖楼的方式构建深度模糊模型：从盲人摸象开始？
二、历史回顾
1990年，LeCun提出深层卷积神经网络，支撑当下人工智能泡沫的主力模型，1991年，Raju等人提出多层模糊系统。二者几乎同时在学术界被提出。
在之后的十几年里，两者的命运不尽相同：一直有学者在进行研究，但是一直无法成为学术界的主流研究方向。Raju的原始论文在学术网站上至今只有451次引用，LeCun的原始论文在最初的十几年间也很少被引用，直到2006年Hinton的神经网络新算法发表，神经网络再次崛起，人们才开始对深层神经网络进行深入探讨，结果一发不可收拾，深度学习再次走向辉煌，大红大紫，逐渐形成了如今的人工智能泡沫。
三、方法介绍
用盖楼的方式构建深度模糊系统模型：从盲人摸象开始
其实，作者的思路很简单：将高维的输入空间想象成一头大象，采取盲人摸象的方式，每个模糊子系统相当于一个盲人。
首先，在高维空间中只选择少数几个输入变量；然后，将其输出（盲人对大象的感受）交给第二层的盲人（模糊子系统），这样第一层盲人的工作就完成了。第二层盲人的工作方式与第一层的盲人相同，将第一层盲人的部分输出变量作为输入，对其进行归纳总结，形成自己的输出（对大象的理解），然后交给第三层的盲人，这样第二层盲人的工作也就完成了；以此类推，想建多少层就建多少层，直到最后一层，给出最终的结论。
系统的关键：每一层模糊子系统建好以后就不再改变，像盖楼一样，第一层盖好后就不再改变，然后在第一层上面盖第二层，建造方法与第一层一样；第二层盖好后不再改变，在其上面盖第三层，用同样的建造方法继续构建高楼大厦。
由于每个深度模糊子系统只选择少数的输入变量，因此可以采用WM算法进行快速设计，整个深度模糊系统便可以快速建成了。
四、与深度神经网络比较
众所周知，深度神经网络有两大缺陷：
1.计算量大
大量的参数需要循环迭代，模型不知道需要多久才能收敛，因此将模型封装到客户端尚且可以，但如果有新的数据需要学习，客户端的简单设备就无法做到了。
2.模型不可解释
知其然不知其所以然，用起来心里没谱。对于像无人驾驶这样人命关天的应用场景，出事不可怕，可怕的是我们不知道问题出现在哪里？无法保证下一次不犯同样的错误，因为模型不可解释，“黑匣子”让我们一无所知，谁也不知道问题究竟出在哪里。
深度模糊的系统，恰好克服了这两大缺陷：
1. 由于WM方法只需要学习一次数据，不需要循环迭代，因此计算量很小；而且深度模糊系统构建起来非常迅速，在客户端的移动设备上，例如手机，也可以进行新数据的不断学习。
2. 深度模糊系统由简单的模糊子系统串联而成，每个模糊子系统就是一些简单的IF-THEN规则，因此深度模糊系统就是这些简单规则的首尾相接，一环套一环，容易理解，因此模型的可解释性很强。同时，如果系统出错，可以很容易地查出是哪一条规则链出了问题，并予以修正即可。
五、恒生指数的预测应用
作者说：赚钱才是硬道理！然后，文章就结合股票市场将算法应用了一下。
然后，他就成功了！预测得还不错，就发了一篇文章！
如图所示，红线表示基于深度模糊模型的基金三年来的价值曲线，蓝线是恒生指数基金同一时期的价值曲线。嗅到金钱的铜臭味了吧，比指数基金回报高出一倍？
作者说：这只是该模型和算法的初步尝试，因此他只用了四只股票数据作为辅助变量，以后将结合股票大数据，将模型的深度变得更深，实现真正的深度模糊，打出醉拳的最高境界，又一台印钞机就这样横空出世了！
更多算法解析，详见算法原文，关于文章，欢迎交流探讨~
说实话，文章末尾我也没看出这篇文章跟深度卷积网络有什么关系？打着深度学习的幌子学术炒作？我们不得而知，不过发文的思想值得我们借鉴。
最后，祝各位科研人博闻强识，厚积薄发，科研事业如日中天。更多校园学习知识，欢迎关注、留言~