Loading article…
学習分類システム（LCS ）は、ルールベースの機械学習手法のパラダイムであり、発見コンポーネント（例えば、進化計算における遺伝的アルゴリズム）と学習コンポーネント（教師あり学習、強化学習、または教師なし学習のいずれかを実行）を組み合わせたものです。[ 2 ]学習分類システムは、予測を行うために知識を部分的 にまとめて保存および適用する、文脈依存のルールのセットを特定しようとします（例えば、行動モデリング[ 3 ]、分類[ 4 ] [ 5 ]、データマイニング[ 5 ] [ 6 ] [ 7 ] 、回帰[ 8 ]、関数近似[ 9 ]、またはゲーム戦略）。このアプローチにより、複雑な解空間をより小さく単純な部分に分割して、人工知能研究内の強化学習を行うことができます。
学習型分類器システムの根底にある概念は、ルールベースのエージェントを用いて人工認知システム（すなわち人工知能）を構築することで、複雑な適応システムをモデル化しようとする試みから生まれた。
特定の学習分類器システムのアーキテクチャとコンポーネントは非常に多様です。LCS を、相互作用する複数のコンポーネントで構成される機械と考えると便利です。コンポーネントは追加または削除したり、既存のコンポーネントを変更または交換して、特定の問題領域の要求に合わせることができます (アルゴリズムの構成要素のように)。また、アルゴリズムを多くの異なる問題領域で機能するのに十分な柔軟性を持たせることもできます。その結果、LCS パラダイムは、機械学習を必要とする多くの問題領域に柔軟に適用できます。LCS 実装の主な区分は次のとおりです。(1) ミシガン スタイルのアーキテクチャとピッツバーグ スタイルのアーキテクチャ、[ 10 ] (2)強化学習と教師あり学習、(3) 増分学習とバッチ学習、(4)オンライン学習とオフライン学習、(5) 強度ベースの適合度と精度ベースの適合度、(6) 完全なアクション マッピングと最良のアクション マッピング。これらの区分は必ずしも相互に排他的ではありません。例えば、最もよく知られ、最も研究されている LCS アルゴリズムである XCS [ 11 ]は、ミシガン スタイルで、強化学習用に設計されていますが、教師あり学習も実行でき、オンラインまたはオフラインの増分学習を適用し、精度ベースの適合度を適用し、完全なアクション マッピングを生成することを目指します。
LCSは特定の手法ではなく、遺伝的アルゴリズムに基づく機械学習のパラダイムであることを念頭に置き、以下では汎用的で現代的な（すなわちXCS以降の）LCSアルゴリズムの主要な要素を概説します。簡潔にするため、教師あり学習を用いたミシガン大学のアーキテクチャに焦点を当てます。右側の図は、このタイプの汎用LCSにおける一連の手順を示しています。
環境は、LCSが学習するデータのソースです。オフラインの有限トレーニングデータセット（データマイニング、分類、または回帰問題の特徴）でも、ライブトレーニングインスタンスのオンラインのシーケンシャルストリームでも構いません。各トレーニングインスタンスには、いくつかの特徴（属性または独立変数とも呼ばれます）と、関心のある単一のエンドポイント（クラス、アクション、表現型、予測、または従属変数とも呼ばれます）が含まれていると想定されます。LCSの学習の一部には特徴選択が含まれるため、トレーニングデータ内のすべての特徴が情報を持つ必要はありません。インスタンスの特徴値のセットは、一般的に状態と呼ばれます。簡単にするために、ブール/バイナリ特徴とブール/バイナリクラスを持つ問題領域の例を想定してみましょう。ミシガンスタイルのシステムでは、環境から1つのインスタンスが各学習サイクルでトレーニングされます（つまり、増分学習）。ピッツバーグスタイルのシステムでは、バッチ学習が実行され、ルールセットはトレーニングデータの大部分またはすべてに対して各イテレーションで評価されます。
ルールとは、状態値と何らかの予測との間の、文脈に依存する関係のことです。ルールは通常、{IF:THEN} 式の形式をとります（例：{ IF '条件' THEN 'アクション'}、より具体的な例としては、{IF '赤' AND '八角形' THEN '停止標識'}）。LCS とルールベースの機械学習の両方において重要な概念は、ルールは条件が満たされた場合にのみ適用可能であるため、個々のルール自体はモデルではないということです。ルールは、解空間の「ローカルモデル」と考えてください。
ルールは、さまざまなデータ型（バイナリ、離散値、順序、連続値など）に対応するために、さまざまな方法で表現できます。バイナリデータの場合、LCS は従来、3 進ルール表現を適用します（つまり、ルールには、データ内の各特徴に対して 0、1、または「#」のいずれかを含めることができます）。「気にしない」記号（つまり「#」）は、ルールの条件内でワイルド カードとして機能し、ルール、ひいてはシステム全体が、特徴と予測対象のエンドポイント間の関係を一般化できるようにします。次のルール (#1###0 ~ 1) (つまり、条件 ~ アクション) を考えてみましょう。このルールは、次のように解釈できます。2 番目の特徴が 1 で、6 番目の特徴が 0 の場合、クラス予測は 1 になります。このルールでは、2 番目の特徴と 6 番目の特徴が指定され、他の特徴は一般化されていると言えます。このルールと対応する予測は、インスタンスがルールの条件を満たしている場合にのみインスタンスに適用できます。これは、より一般的にはマッチングと呼ばれます。ミシガン式LCSでは、各ルールには独自の適合度があり、さらにそのルールのコピー数（つまり、数） 、ルールの経過時間、ルールの精度、報酬予測の精度、その他の記述的または経験的統計を記述できる、ルールに関連付けられた他の多くのルールパラメータがあります。ルールとそのパラメータは、しばしば分類器と呼ばれます。ミシガン式システムでは、分類器は、ユーザーが定義した最大数の分類器を持つ集団[P]内に含まれています。ほとんどの確率的探索アルゴリズム（進化アルゴリズムなど）とは異なり、LCSの集団は最初は空です（つまり、ルール集団をランダムに初期化する必要はありません）。代わりに、分類器は、カバーリングメカニズムによって最初に集団に導入されます。
いずれのLCSにおいても、学習済みモデルは単一のルール／分類器ではなく、ルール／分類器の集合です。ミシガン式LCSでは、学習済み（および必要に応じて圧縮された）分類器の集合全体が予測モデルを構成します。
LCS の最も重要かつ時間のかかる要素の 1 つはマッチング処理です。LCS 学習サイクルの最初のステップでは、環境から単一のトレーニング インスタンスを取得し、マッチングが行われる [P] に渡します。ステップ 2 では、[P] 内のすべてのルールがトレーニング インスタンスと比較され、どのルールが一致するか (つまり、現在のインスタンスに文脈的に関連しているか) が判断されます。ステップ 3 では、一致するルールがマッチ セット[M] に移動されます。ルール条件で指定されたすべての特徴値がトレーニング インスタンスの対応する特徴値と等しい場合、ルールはトレーニング インスタンスに一致します。たとえば、トレーニング インスタンスが (001001 ~ 0) であると仮定すると、次のルールは一致します: (###0## ~ 0)、(00###1 ~ 0)、(#01001 ~ 1)、しかし、次のルールは一致しません: (1##### ~ 0)、(000##1 ~ 0)、(#0#1#0 ~ 1)。マッチングでは、ルールで指定されたエンドポイント/アクションは考慮されないことに注意してください。その結果、マッチセットには、相反するアクションを提案する分類器が含まれる可能性があります。第4ステップでは、教師あり学習を行っているため、[M]は正しいセット[C]と間違ったセット[I]に分割されます。マッチングルールは、正しいアクション（トレーニングインスタンスの既知のアクションに基づく）を提案する場合に正しいセットに入り、そうでない場合は[I]に入ります。強化学習LCSでは、正しいアクションが不明であるため、代わりにアクションセット[A]が形成されます。
学習サイクルのこの時点で、[M] または [C] のどちらにも分類器が配置されなかった場合 (集団が空から始まる場合と同様)、カバリング メカニズムが適用されます (5 番目のステップ)。カバリングは、オンライン スマート集団初期化の一種です。カバリングは、現在のトレーニング インスタンスに一致するルールをランダムに生成します (教師あり学習の場合、そのルールは正しいアクションとともに生成されます。トレーニング インスタンスが (001001 ~ 0) であると仮定すると、カバリングは次のいずれかのルールを生成する可能性があります: (#0#0## ~ 0)、(001001 ~ 0)、(#010## ~ 0)。カバリングは、各学習サイクルで [C] に少なくとも 1 つの正しい一致ルールが存在することを保証するだけでなく、集団に初期化されたルールが少なくとも 1 つのトレーニング インスタンスに一致することも保証します。これにより、LCS がトレーニング インスタンスに一致しないルールの探索空間を探索することを防ぎます。
6 番目のステップでは、[M] 内の任意のルールのルール パラメータが更新され、現在のトレーニング インスタンスから得られた新しい経験が反映されます。LCS アルゴリズムによっては、このステップで複数の更新が行われる場合があります。教師あり学習の場合、ルールの精度/エラーを更新するだけで済みます。ルールの精度/エラーは、トレーニング データ全体ではなく、一致したすべてのインスタンスのみで計算されるため、モデルの精度/エラーとは異なります。ルールの精度は、ルールが正解セット [C] に含まれていた回数を、一致セット [M] に含まれていた回数で割ることによって計算されます。ルールの精度は、「局所的な精度」と考えることができます。ルールの適合度もここで更新され、通常はルールの精度の関数として計算されます。適合度の概念は、古典的な遺伝的アルゴリズムから直接取り入れられています。LCS がクレジット割り当てと学習を実行するためにパラメータを更新する方法には多くのバリエーションがあることに注意してください。
第7ステップでは、通常、包含メカニズムが適用されます。包含とは、問題空間の冗長な部分をカバーする分類器を統合する明示的な一般化メカニズムです。包含する分類器は、実質的に包含される分類器を吸収し（そしてその数が増加します）。これは、包含する分類器がより汎用的で、精度が同等であり、包含される分類器の問題空間全体をカバーしている場合にのみ可能です。
第 8 段階では、LCS は高度にエリート主義的な遺伝的アルゴリズム(GA) を採用し、適応度 (適者生存) に基づいて 2 つの親分類器を選択します。親は通常、トーナメント選択を使用して [C] から選択されます。一部のシステムでは、ルーレットホイール選択または決定論的選択が適用され、[P] (汎選択) または [M] から親ルールを異なる方法で選択しています。ここで、交叉演算子と突然変異演算子が適用され、2 つの新しい子孫ルールが生成されます。この時点で、親ルールと子孫ルールの両方が [P] に戻されます。LCS遺伝的アルゴリズムは、各学習反復で集団の大部分が保存されるため、高度にエリート主義的です。ルール発見は、分布推定アルゴリズムなどの他の方法でも実行できますが、GA が圧倒的に最も一般的なアプローチです。GA のような進化アルゴリズムは確率的探索を使用するため、LCS は確率的アルゴリズムになります。 LCSは探索空間を巧みに探索しようとするが、ルールの組み合わせを網羅的に探索するわけではなく、最適な解に収束することを保証するものでもない。
一般的なLCS学習サイクルの最後のステップは、最大個体数を維持することです。削除メカニズムは、削除対象の分類器を選択します（一般的にはルーレット選択方式が用いられます）。分類器が削除対象として選択される確率は、その適応度に反比例します。分類器が削除対象として選択されると、その分類器の個体数パラメータが1減少します。分類器の個体数がゼロになると、その分類器は個体群から完全に削除されます。
LCSは、ユーザーが定義したトレーニング反復回数、またはユーザーが定義した終了条件が満たされるまで、これらの手順を繰り返し実行します。オンライン学習の場合、LCSは反復ごとに環境から全く新しいトレーニングインスタンスを取得します。オフライン学習の場合、LCSは有限のトレーニングデータセットを反復処理します。データセットの最後のインスタンスに到達すると、最初のインスタンスに戻り、データセットを再度反復処理します。
トレーニングが完了すると、ルール群には必然的に、不十分なルール、冗長なルール、経験不足のルールが含まれることになります。そのため、後処理ステップとしてルール圧縮、または凝縮ヒューリスティックを適用するのが一般的です。こうして圧縮されたルール群は、予測モデルとして適用したり（例えば、テストインスタンスに対する予測を行う）、知識発見のために解釈したりする準備が整います。
ルール圧縮が適用されているかどうかにかかわらず、LCS アルゴリズムの出力は、これまで見たことのないインスタンスの予測に適用できる分類器の集団です。予測メカニズムは、教師あり LCS 学習サイクル自体の一部ではありませんが、強化学習 LCS 学習サイクルでは重要な役割を果たします。ここでは、予測メカニズムをテストデータへの予測に適用する方法を検討します。予測を行う際、LCS 学習コンポーネントは非アクティブ化され、集団が入力テストデータから学習を継続しないようにします。テストインスタンスは [P] に渡され、通常どおりマッチセット [M] が形成されます。この時点で、マッチセットは予測配列に異なる方法で渡されます。マッチセット内のルールは異なるアクションを予測できるため、投票スキームが適用されます。単純な投票スキームでは、一致するルールからの最も強い支持「投票」を受けたアクションが勝ち、選択された予測になります。すべてのルールが等しい投票を得るわけではありません。むしろ、単一のルールに対する投票の強さは、一般的にそのルールの数と適合度に比例します。この投票方式とLCSが知識を保存する方法の性質から、LCSアルゴリズムは暗黙的にアンサンブル学習器であることが示唆される。
個々の LCS ルールは、通常、人間が読める IF:THEN 式です。LCS 予測モデルを構成するルールは、さまざまなルール パラメータによってランク付けされ、手動で検査できます。統計的およびグラフィカルな知識発見をガイドするためのグローバル戦略も提案されています。[ 12 ] [ 13 ]人工ニューラル ネットワーク、ランダム フォレスト、遺伝的プログラミングなどの他の高度な機械学習アプローチに関して、学習分類システムは、解釈可能なソリューションを必要とする問題に特に適しています。
ジョン・ヘンリー・ホランドは、1975年に出版した画期的な著書『自然および人工システムの適応』[ 14 ]とホランドのスキーマ定理の形式化を通して遺伝的アルゴリズム（GA）を普及させたことで最もよく知られています。1976年、ホランドはGAの概念を「認知システム」 [ 15 ]と呼んだものに拡張し、論文「適応アルゴリズムに基づく認知システム」 [ 16 ]で、後に最初の学習分類システムとして知られるようになるものの最初の詳細な説明を提供しました。認知システム1 （ CS-1） と名付けられたこの最初のシステムは、未知の基礎的なダイナミクスを持つ実際のシステム（つまり環境）を人間が読めるルールの集団を使用してモデル化するように設計されたモデリングツールとして構想されました。目標は、まれな報酬/報酬（つまり強化学習）に基づいて環境に適応するためのオンライン機械学習を実行する一連のルールが、実際のシステムに一致する動作を生成するためにこれらのルールを適用することでした。この初期の野心的な実装は、後に過度に複雑で一貫性のない結果をもたらすとみなされた。[ 2 ] [ 17 ]
1980 年、ケネス・デ・ヨングと彼の学生スティーブン・スミスは(LS-1)でルールベースの機械学習に異なるアプローチを取り、学習をオンライン適応プロセスではなくオフライン最適化プロセスとみなしました。[ 18 ] [ 19 ] [ 20 ] この新しいアプローチは標準的な遺伝的アルゴリズムに似ていましたが、独立したルールセットを進化させました。それ以来、ミシガン大学のホランドが導入したオンライン学習フレームワークに触発された LCS 手法はミシガン スタイル LCSと呼ばれ、ピッツバーグ大学のスミスとデ・ヨングに触発された手法はピッツバーグ スタイル LCSと呼ばれています。[ 2 ] [ 17 ] 1986 年、ホランドは、その後 10 年間標準のミシガン スタイル LCS と見なされるものを開発しました。[ 21 ]
LCS研究の初期に登場したその他の重要な概念には、(1)クレジット割り当て/学習のためのバケットブリゲードアルゴリズム(BBA)の形式化[ 22 ] 、(2) 親ルールを全集団[P]からではなく、共通の「環境ニッチ」(つまりマッチセット[M])から選択すること[ 23 ] 、 (3)作成演算子として最初に導入されたカバレッジ[ 24 ] 、 (4)アクションセット[A]の形式化[ 24 ] 、 (5) 簡略化されたアルゴリズムアーキテクチャ[ 24 ] 、 (6)強度ベースの適合度[ 21 ]、(7) シングルステップまたは教師あり学習問題の検討[ 25 ]と正解セット[C]の導入[ 26 ] 、 (8)精度ベースの適合度[ 27 ] 、(9)ファジー論理とLCSの組み合わせ[ 28 ] （後にファジーLCSの系統を生み出した）などがある。 (1)アルゴリズム)、(10)多段階問題のパフォーマンスを向上させるための長いアクションチェーンとデフォルトの階層の促進、 [ 29 ] [ 30 ] [ 31 ] (11)潜在学習の検討 (後に予測型分類システム(ACS)の新しい分野に影響を与えた) 、および ( 12 ) 最初のQ 学習のようなクレジット割り当て手法の導入。 [ 33 ] これらの概念のすべてが現代の LCS アルゴリズムに適用されているわけではありませんが、それぞれが LCS パラダイムの開発における画期的なものでした。
学習分類器システムへの関心は、1990 年代半ばに主に 2 つの出来事によって再び高まりました。強化学習のためのQ 学習アルゴリズム[ 34 ]の開発と、スチュワート・ウィルソンによる大幅に簡略化されたミシガン スタイルの LCS アーキテクチャの導入です。[ 11 ] [ 35 ] ウィルソンのゼロレベル分類器システム (ZCS) [ 35 ]は、ホランドの標準 LCS 実装[ 21 ]に基づくアルゴリズムの理解しやすさの向上に焦点を当てました。 これは、元の BBA クレジット割り当てに不可欠であったルール入札と内部メッセージ リストを削除し、ハイブリッド BBA/ Q 学習戦略に置き換えることによって部分的に実現されました。ZCS は、はるかに単純な LCS アーキテクチャが、元のより複雑な実装と同等の性能を発揮できることを示しました。しかし、ZCS は、過度に一般化された分類器の増加など、依然としてパフォーマンス上の欠点を抱えていました。
1995年、ウィルソンは画期的な論文「精度に基づく分類器の適合性」を発表し、その中で分類器システムXCSを紹介した。[ 11 ] XCSはZCSの簡略化されたアーキテクチャを採用し、精度に基づく適合性、ニッチGA（アクションセット[A]で動作）、サブサンプションと呼ばれる明示的な汎化メカニズム、およびQ学習クレジット割り当ての適応を追加した。XCSは、正確で最大限に汎用的な分類器を進化させながら最適なパフォーマンスを達成できる能力と、印象的な問題の柔軟性（強化学習と教師あり学習の両方を実行できる）によって普及した。XCSは後に最もよく知られ、最も研究されたLCSアルゴリズムとなり、精度に基づくLCSの新しいファミリーを定義した。ZCSは、強度に基づくLCSと同義になった。XCSは、LCSと強化学習の分野の間のギャップをうまく埋めたという点でも重要である。XCSの成功を受けて、LCSは後に汎化能力を備えた強化学習システムとして説明されるようになった。[ 36 ]強化学習では、通常、状態/行動空間の完全な表現をマッピングする価値関数を学習しようとします。同様に、XCS の設計では、環境内の高報酬ニッチに焦点を当てるのではなく (強度ベースの LCS の場合のように)、問題空間の包括的かつ正確な表現 (完全なマップ) を形成するようにしています。概念的には、完全なマップは、何をするべきか、つまり正しいことだけでなく、何をしてはいけないか、つまり間違っていることも捉えます。これとは異なり、ほとんどの強度ベースの LCS、または専ら教師あり学習 LCS は、最良行動マップ(または部分マップ) の形で効率的な一般化のルールセットを求めます。強度と精度ベースの適合度、および完全な行動マップと最良行動マップの比較は、その後、より詳細に検討されています。[ 37 ] [ 38 ]
XCS は、LCS アルゴリズムとアプリケーションのまったく新しい世代の開発を促しました。1995 年、コングドンは LCS を実際の疫学調査に適用した最初の人物でした[ 39 ]。続いてホームズがBOOLE++ [ 40 ] 、EpiCS [ 41 ]、そして後にEpiXCS [ 42 ]を開発し、疫学的分類に用いました。これらの初期の研究は、バイオインフォマティクスアプリケーションに代表される複雑で大規模なデータ マイニングタスクに LCS アルゴリズムを適用することへの後の関心を刺激しました。1998 年、ストルツマンは、従来の「条件 - アクション」表現ではなく、「条件 - アクション - 効果」の形式でルールを含む予測分類システム (ACS)を導入しました[ 32 ] 。ACS は、環境内のあらゆる状況におけるアクションの知覚的結果を予測するように設計されました。言い換えれば、このシステムは、特定の状況で何をすべきかを指定するだけでなく、特定のアクションが実行された後に何が起こるかについての情報も提供するモデルを進化させます。この LCS アルゴリズムのファミリーは、マルチステップ問題、プランニング、学習の高速化、または知覚エイリアシングの曖昧さの解消 (つまり、同じ観測が異なる状態で得られるが、異なるアクションが必要な場合) に最適です。Butz は後にこの予測型 LCS ファミリーを追求し、元の方法に多くの改良を加えました。[ 43 ] 2002 年に Wilson は、関数近似を実行するために計算アクションを追加したXCSFを導入しました。 [ 44 ] 2003 年に Bernado-Mansilla は、教師あり学習、シングルステップ問題、および最適なアクション セットの形成のタスクに XCS アルゴリズムを特化させたsSuperved Classifier System (UCS)を導入しました。 UCSは、強化学習戦略を排除し、多くの強化学習器の特徴である探索/活用学習フェーズに加え、単純な精度ベースのルール適合性を採用した。Bullは、LCSフレームワークの理論的理解を深めるために、単純な精度ベースのLCS （YCS）[ 45 ]と単純な強度ベースのLCS最小分類システム（MCS）[ 46 ]を導入した。Bacarditは、 GAssist [ 47 ]とBioHEL [ 48]を導入した。]ピッツバーグ型の LCS は、バイオインフォマティクスでデータ マイニングと拡張性を。2008 年に Drugowitsch は、LCS アルゴリズムの理論的考察を含む「学習分類器システムの設計と分析」というタイトルの本を出版しました。 [ 49 ] Butz は、XCSF [ 1 ]のGUI 内で最初のルール オンライン学習の可視化を導入しました(このページの上部の画像を参照)。Urbanowicz は UCS フレームワークを拡張し、教師あり学習のために明示的に設計されたExSTraCS を。 [ 50 ] ExSTraCS は、(1) データ内の重要な特徴に向かってカバーリングと遺伝的アルゴリズムを推進するための専門家の知識、 [ 51 ] (2) 属性追跡と呼ばれる長期記憶の一形態、 [ 52 ]より効率的な学習と異種データパターンの特性化を可能にする、および (3) Bacardit の混合離散連続属性リスト表現に似た柔軟なルール表現を統合しました。 [ 53 ] Bacardit と Urbanowicz は、LCS ルールを解釈し、データマイニングのための知識発見を実行するための統計的および視覚化戦略を探求しました。 [ 12 ] [ 13 ] Browne と Iqbal は、コード断片の形でビルディングブロックを再利用する概念を探求し、より単純なマルチプレクサ問題から有用なビルディングブロックを最初に学習することで、135 ビットマルチプレクサベンチマーク問題を最初に解決しました。 [ 54 ] ExSTraCS 2.0は後に、ミシガン式 LCS のスケーラビリティを向上させるために導入され、135 ビットのマルチプレクサ ベンチマーク問題を初めて直接解決することに成功しました。 [ 5 ] n ビットのマルチプレクサ問題は、高度にエピスタシスで異質でため、非常に困難な機械学習タスクとなっています。
ミシガン式LCSは、遺伝的アルゴリズムが個々のルールレベルで動作し、解がルール群全体で表現されるという特徴を持つ。ミシガン式システムは、段階的に学習するため、強化学習と教師あり学習の両方、およびオンライン学習とオフライン学習の両方を実行できる。ミシガン式システムは、より多くの問題領域に適用可能であり、段階的学習という独自の利点も備えている。
ピッツバーグ型LCSは、可変長ルールセットの集合を特徴とし、各ルールセットは潜在的な解となる。遺伝的アルゴリズムは通常、ルールセット全体レベルで動作する。ピッツバーグ型システムは、順序付けられたルールリストを独自に進化させることができ、デフォルトルールも使用できる。これらのシステムは、より小さなルールセットを識別できるという自然な利点があり、手動によるルール検査に関して解釈しやすい。
両システムの主要な強みを組み合わせようとするシステムも提案されている。
「学習分類システム (LCS)」という名称は、分類を学習する機械学習アルゴリズム (例えば、決定木、人工ニューラルネットワーク) は多数存在するものの、LCS ではないため、やや誤解を招く可能性があります。「ルールベース機械学習 ( RBML )」という用語は、これらのシステムの本質的な「ルールベース」コンポーネントをより明確に捉えているため有用ですが、LCS とはみなされない手法 (例えば、アソシエーションルール学習、人工免疫システム) にも一般化されます。「遺伝学ベースの機械学習」や「遺伝的アルゴリズム」[ 39 ]といったより一般的な用語も、学習分類システムとしてより特徴的に定義されるものを指すために使用されています。遺伝的アルゴリズムとの類似性から、ピッツバーグ型学習分類システムは、一般的に「遺伝的アルゴリズム」と呼ばれることがあります。さらに、LCSアルゴリズムやそれと密接に関連する手法の中には、「認知システム」、「適応エージェント」、「プロダクションシステム」、あるいは一般的に「分類システム」と呼ばれるものもあります。[ 16 ] [ 55 ] [ 56 ] このような用語のばらつきが、この分野での混乱の一因となっています。
2000年代までは、学習型分類器システムの手法はほぼ全て、強化学習の問題を念頭に置いて開発されていました。そのため、「学習型分類器システム」という用語は、一般的に「試行錯誤」による強化学習と遺伝的アルゴリズムによるグローバル探索を組み合わせたものとして定義されていました。しかし、教師あり学習、さらには教師なし学習への関心の高まりに伴い、この用語の用法と定義は拡大しています。
{{cite book}}:|journal=無視されました (ヘルプ){{cite book}}:|journal=無視されました (ヘルプ){{cite book}}:|journal=無視されました (ヘルプ)