IBSEAD：一种用于机器学习的自演化自专注学习算法
机器学习
2011-07-01 v1
摘要
我们提出 IBSEAD，即基于分布式自治实体系统交互——一种让计算机以自专注方式进行自演化的学习算法。该学习算法将使计算机以一系列独立实体的形式审视内部和外部环境，这些实体将在有或没有计算机“大脑”知识的情况下相互交互。当学习算法进行交互时，它通过检测和理解人类算法中的实体来实现。然而，这种方法的问题在于，该算法未考虑第三方或未知实体的交互，而这些实体可能正在相互交互。这些未知实体在与非计算机实体的交互中对环境产生影响，从而影响计算机大脑的信息和行为。此类细节以及处理这些交互的动态和不稳定性质的能力，在当前的决策树学习等学习算法中是缺失的。IBSEAD 能够评估和考虑此类算法，从而在模拟人类大脑高度演化的性质方面提供更高的准确性。人类存在的诸如梦境、想象和新奇性等过程，并未被现有的学习算法完全模拟。此外，隐马尔可夫模型 (HMM) 可用于发现可能已知或未知的“隐藏”实体。然而，该模型未能考虑可能不清晰或未知的未知实体情况。IBSEAD 更优，因为它考虑了三种类型的实体——已知、未知和不可见。我们通过对比现有算法在已知环境和案例中的表现来展示我们的案例，并呈现了使用现有机器学习算法与 IBSEAD 模拟运行的干运行实验结果。
引用
@article{arxiv.1106.6186,
title = {IBSEAD: - A Self-Evolving Self-Obsessed Learning Algorithm for Machine Learning},
author = {Jitesh Dundas and David Chik},
journal= {arXiv preprint arXiv:1106.6186},
year = {2011}
}
备注
Keywords: Self-evolving algorithm; machine learning; decision-trees; learning algorithms, Hidden Markov Models; http://ijcset.excelingtech.co.uk/vol1issue4/14-vol1issue4.pdf