論文の概要: Adapting Rule Representation With Four-Parameter Beta Distribution for Learning Classifier Systems

• arxiv url: http://arxiv.org/abs/2506.03602v1
• Date: Wed, 04 Jun 2025 06:19:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.17874
• Title: Adapting Rule Representation With Four-Parameter Beta Distribution for Learning Classifier Systems
• Title（参考訳）: 学習型分類器システムのための4パラメータベータ分布を用いた規則表現の適応
• Authors: Hiroki Shiraishi, Yohei Hayamizu, Tomonori Hashiyama, Keiki Takadama, Hisao Ishibuchi, Masaya Nakata,
• Abstract要約: 各問題に対して適切なルール表現を選択するのは難しい。 いくつかの問題は、入力空間内の異なる部分空間に対して異なる表現を使用することの恩恵を受ける。 本稿では,4パラメータのベータ分布を用いたフレキシブルなルール表現を紹介する。
• 参考スコア（独自算出の注目度）: 3.17215168522345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rule representations significantly influence the search capabilities and decision boundaries within the search space of Learning Classifier Systems (LCSs), a family of rule-based machine learning systems that evolve interpretable models through evolutionary processes. However, it is very difficult to choose an appropriate rule representation for each problem. Additionally, some problems benefit from using different representations for different subspaces within the input space. Thus, an adaptive mechanism is needed to choose an appropriate rule representation for each rule in LCSs. This article introduces a flexible rule representation using a four-parameter beta distribution and integrates it into a fuzzy-style LCS. The four-parameter beta distribution can form various function shapes, and this flexibility enables our LCS to automatically select appropriate representations for different subspaces. Our rule representation can represent crisp/fuzzy decision boundaries in various boundary shapes, such as rectangles and bells, by controlling four parameters, compared to the standard representations such as trapezoidal ones. Leveraging this flexibility, our LCS is designed to adapt the appropriate rule representation for each subspace. Moreover, our LCS incorporates a generalization bias favoring crisp rules where feasible, enhancing model interpretability without compromising accuracy. Experimental results on real-world classification tasks show that our LCS achieves significantly superior test accuracy and produces more compact rule sets. Our implementation is available at https://github.com/YNU-NakataLab/Beta4-UCS. An extended abstract related to this work is available at https://doi.org/10.36227/techrxiv.174900805.59801248/v1.
• Abstract（参考訳）: ルール表現は、進化過程を通じて解釈可能なモデルを進化させるルールベース機械学習システムのファミリーであるLCS(Learning Classifier Systems)の探索空間における探索能力と決定境界に大きな影響を及ぼす。 しかし,各問題に対して適切なルール表現を選択することは極めて困難である。 さらに、いくつかの問題は入力空間内の異なる部分空間に対して異なる表現を使用することの恩恵を受ける。 したがって、LCSにおける各規則に対して適切な規則表現を選択するためには、適応的なメカニズムが必要である。 本稿では,4パラメータのベータ分布を用いたフレキシブルなルール表現を導入し,ファジィスタイルのLCSに統合する。 4パラメータのベータ分布は様々な関数形状を形成でき、この柔軟性により、LCSは異なる部分空間に対する適切な表現を自動的に選択できる。 我々の規則表現は,四つのパラメータを制御することにより,矩形やベルなどの様々な境界形状のクリップ/ファジィ決定境界を表現できる。 この柔軟性を活用して、LCSは各サブスペースに適切なルール表現を適用するように設計されています。 さらに, LCS では, 精度を損なうことなく, モデル解釈可能性の向上を図りつつ, クリップルールを優先する一般化バイアスを取り入れている。 実世界の分類タスクにおける実験結果から, LCSはテスト精度が著しく向上し, よりコンパクトなルールセットを生成することがわかった。 実装はhttps://github.com/YNU-NakataLab/Beta4-UCSで公開しています。 この研究に関する要約はhttps://doi.org/10.36227/techrxiv.174900805.59801248/v1で公開されている。

関連論文リスト

• Compact Rule-Based Classifier Learning via Gradient Descent [0.7874708385247353]
  透明性と説明責任のある意思決定を必要とするシナリオにおいて、ルールベースのモデルは重要な役割を果たす。 そこで本研究では,規則の最大数と長さをユーザが制御できる,勾配降下法を用いて学習した新しいルールベース分類器を提案する。 数値的なパーティションの場合、ユーザはファジィセットで使用されるパーティションを制御できる。
  論文  参考訳（メタデータ） (2025-02-03T14:13:39Z)
• Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning [113.89327264634984]
  FSCIL(Few-shot class-incremental Learning)は、最小限のトレーニングサンプルを持つモデルに新しいクラスを統合するという課題に直面している。 従来の手法では、固定パラメータ空間に依存する静的適応を広く採用し、逐次到着するデータから学習する。 本稿では、動的適応のための中間特徴に基づいてプロジェクションパラメータを動的に調整する2つの選択型SSMプロジェクタを提案する。
  論文  参考訳（メタデータ） (2024-07-08T17:09:39Z)
• CFPL-FAS: Class Free Prompt Learning for Generalizable Face Anti-spoofing [66.6712018832575]
  ドメイン一般化 (DG) ベースの Face Anti-Spoofing (FAS) は、目に見えないドメインにおけるモデルの性能を改善することを目的としている。 私たちはCLIPのような大規模VLMを利用し、テキスト機能を利用して分類器の重みを動的に調整し、一般化可能な視覚的特徴を探索する。
  論文  参考訳（メタデータ） (2024-03-21T11:58:50Z)
• Learning Interpretable Rules for Scalable Data Representation and Classification [11.393431987232425]
  ルールベースのLearner Representation (RRL)は、データ表現と分類のための解釈可能な非ファジィ規則を学習する。 RRLは容易に調整でき、異なるシナリオの分類精度とモデルの複雑さのトレードオフを得ることができる。
  論文  参考訳（メタデータ） (2023-10-22T15:55:58Z)
• Self-regulating Prompts: Foundational Model Adaptation without Forgetting [112.66832145320434]
  本稿では,PromptSRCと呼ばれる自己正規化フレームワークを提案する。 PromptSRCはタスク固有の汎用表現とタスクに依存しない汎用表現の両方に最適化するプロンプトを導く。
  論文  参考訳（メタデータ） (2023-07-13T17:59:35Z)
• Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
  自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。 SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。 SFSCは評価データセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-06-16T16:46:32Z)
• Scalable Rule-Based Representation Learning for Interpretable Classification [12.736847587988853]
  ルールベースのLearner Representation (RRL)は、データ表現と分類のための解釈可能な非ファジィ規則を学習する。 RRLは容易に調整でき、異なるシナリオの分類精度とモデルの複雑さのトレードオフを得ることができる。
  論文  参考訳（メタデータ） (2021-09-30T13:07:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。