SupRB：一种面向连续问题的监督式基于规则的学习系统
机器学习
2020-02-25 v1 人工智能
神经与进化计算
机器学习
摘要
我们提出了 SupRB 学习系统，一种用于多维连续决策问题监督学习的新型 Pittsburgh 风格学习分类器系统（LCS）。SupRB 从样本（由情境、选择和关联质量组成）中学习质量函数的近似，然后能够做出最优选择并预测给定情境中某选择的质量。SupRB 的一个应用领域是工业机械的参数化。在该领域，机器学习系统建议的接受度高度依赖于操作员的信任。虽然预测质量是该信任必不可少且被广泛研究的要素，但似乎仅此还不够。至少同样重要的是对建议背后推理的可被人理解的解释。虽然许多最先进的方法如人工神经网络在这方面有所欠缺，但诸如 SupRB 的 LCS 提供了极易被人理解的可读规则。主流的 LCS 不能直接应用于此问题，因为它们缺乏对连续选择的支持。本文奠定了 SupRB 的基础，并展示了其在增材制造问题简化模型上的普遍适用性。
引用
@article{arxiv.2002.10295,
title = {SupRB: A Supervised Rule-based Learning System for Continuous Problems},
author = {Michael Heider and David Pätzel and Jörg Hähner},
journal= {arXiv preprint arXiv:2002.10295},
year = {2020}
}
备注
Submitted to the Genetic and Evolutionary Computation Conference 2020 (GECCO 2020)