采用四参数Beta分布适配规则表示以用于学习分类器系统
机器学习
2025-07-03 v2 人工智能
神经与进化计算
摘要
规则表示显著影响学习分类器系统（LCS）搜索空间中的搜索能力和决策边界，LCS是一类通过进化过程演化可解释模型的基于规则的机器学习系统。然而，为每个问题选择合适的规则表示非常困难。此外，某些问题受益于对输入空间的不同子空间使用不同的表示。因此，需要一种自适应机制为LCS中的每条规则选择合适的表示。本文引入了一种使用四参数Beta分布的灵活规则表示，并将其集成到模糊风格LCS中。四参数Beta分布可以形成各种函数形状，这种灵活性使我们的LCS能够自动为不同子空间选择合适的表示。通过控制四个参数，我们的规则表示可以表示各种边界形状（如矩形和钟形）中的清晰/模糊决策边界，与梯形等标准表示相比。利用这种灵活性，我们的LCS被设计为自适应地为每个子空间选择合适的规则表示。此外，我们的LCS包含了一种偏向于可行清晰规则的泛化偏差，在不牺牲准确性的前提下增强了模型可解释性。在真实世界分类任务上的实验结果表明，我们的LCS实现了显著更优的测试准确率，并产生了更紧凑的规则集。我们的实现在https://github.com/YNU-NakataLab/Beta4-UCS。一个相关的扩展摘要可在https://doi.org/10.36227/techrxiv.174900805.59801248/v1获取。
引用
@article{arxiv.2506.03602,
title = {Adapting Rule Representation With Four-Parameter Beta Distribution for Learning Classifier Systems},
author = {Hiroki Shiraishi and Yohei Hayamizu and Tomonori Hashiyama and Keiki Takadama and Hisao Ishibuchi and Masaya Nakata},
journal= {arXiv preprint arXiv:2506.03602},
year = {2025}
}