规则发现的多通道并行适应理论

本文提出了一种基于多通道并行适应的机器学习理论，用于规则发现。该理论与神经网络熟悉的并行分布式适应理论在通道式收敛至目标规则方面有所区别。我们展示了如何在一种名为 CFRule 的学习系统中实现该理论。CFRule 是一种并行权重模型，但它不同于传统神经计算，其内部知识是可解释的。此外，当模型在训练中收敛时，每个通道都会收敛到目标规则。该模型的适应规则是基于梯度下降的多级并行权重优化得出的。由于梯度下降仅保证局部优化，本文发展了一种基于多通道回归的优化策略，以有效处理这一问题。形式上，我们证明了 CFRule 模型可以显式且精确地编码给定的任何规则集。我们还证明了一个与异步并行收敛相关的性质，这是多通道并行适应理论用于规则学习的关键要素。由于 CFRule 模型的可量化性质，通过阈值机制可以完全且正确地提取规则。最后，演示了该理论在 DNA 启动子识别和肝硬化预后预测中的实际应用。