模糊-UCS 再访: 在密歇根式学习模糊分类器系统中的规则表示的自适应
机器学习
2025-05-23 v1
摘要
本文关注规则表示在密歇根式学习模糊分类器系统（LFCS）中的影响对其分类性能的影响。良好的规则表示对于提高 LFCS 的性能至关重要。然而, 常规的规则表示常常难以解决数据特征未知的问题。为此, 本文提出一种受监督的 LFCS（即 Fuzzy-UCS），具备自适应规则表示机制，称为 Adaptive-UCS。Adaptive-UCS 引入一种模糊指示器作为新的规则参数, 用于设置规则的成员函数为矩形（即尖锐）或三角形（即模糊）形状。通过演化算子优化模糊指示器, 使系统能够搜索最佳的规则表示。对持续空间问题进行的大量实验结果表明, Adaptive-UCS 在分类准确率上优于其他 UCSs, 后者使用传统的尖锐-超矩形和模糊-超梯形规则表示。此外, Adaptive-UCS 在噪声输入和具有内在不确定性的现实问题（如缺失值）的情况下表现出鲁棒性, 具有稳定的分类性能。
引用
@article{arxiv.2505.06017,
title = {Fuzzy-UCS Revisited: Self-Adaptation of Rule Representations in Michigan-Style Learning Fuzzy-Classifier Systems},
author = {Hiroki Shiraishi and Yohei Hayamizu and Tomonori Hashiyama},
journal= {arXiv preprint arXiv:2505.06017},
year = {2025}
}
备注
Accepted by the ACM Genetic and Evolutionary Computation Conference (GECCO) 2023