論理学習マシン

論理学習マシン（LLM）は、理解可能なルールの生成に基づく機械学習手法です。LLMは、イタリア国立研究評議会CNR-IEIIT （ジェノバ）の上級研究員であるマルコ・ムセッリによって開発されたスイッチングニューラルネットワーク（SNN）パラダイム^{[ 1 ]}の効率的な実装です。

LLMは、医療分野（整形外科患者の分類^{[ 2 ]} 、 DNAマイクロアレイ分析^{[ 3 ]}、臨床意思決定支援システム^{[ 4 ]}）、金融サービス、サプライチェーン管理など、さまざまな分野で活用されています。

スイッチング ニューラル ネットワークのアプローチは、最も一般的に使用されている機械学習手法の欠点を克服するために 1990 年代に開発されました。特に、多層パーセプトロンやサポート ベクター マシンなどのブラック ボックス手法は精度は高いものの、研究対象の現象に対する深い洞察を提供できませんでした。一方、決定木は現象を記述することはできましたが、精度が不足していることがよくありました。スイッチング ニューラル ネットワークは、ブール代数を使用して、非常に優れたパフォーマンスを実現できる理解可能なルールのセットを構築しました。2014 年に、スイッチング ニューラル ネットワークの効率的なバージョンが開発され、ロジック ラーニング マシンという名前で Rulex スイートに実装されました。^{[ 5 ]}また、回帰問題に特化した LLM バージョンも開発されました。

他の機械学習手法と同様に、LLMはデータを用いて将来の行動を的確に予測できるモデルを構築します。LLMは、目標変数（出力）といくつかの入力を含むテーブルから開始し、出力値を返す一連のルールを生成します。${\displaystyle y}$入力の特定の構成に対応する。ルールは次の形式で記述される。

前提ならば結果

ここで、結果には出力値が含まれ、前提には入力に対する1つ以上の条件が含まれます。入力タイプに応じて、条件はさまざまな形式をとることができます。

• カテゴリ変数の場合、入力値は指定されたサブセットに含まれている必要があります。${\displaystyle x_{1}\in \{A,B,C,...\}}$。
• 順序変数の場合、条件は不等式または区間として記述されます。${\displaystyle x_{2}\leq \alpha }$または${\displaystyle \beta \leq x_{3}\leq \gamma }$

したがって、考えられるルールは次の形式です。

もし${\displaystyle x_{1}\in \{A,B,C,...\}}$そして${\displaystyle x_{2}\leq \alpha }$そして${\displaystyle \beta \leq x_{3}\leq \gamma }$それから${\displaystyle y={\bar {y}}}$

出力タイプに応じて、論理学習マシンの異なるバージョンが開発されている。

• 分類のための論理学習マシン。出力がカテゴリ変数であり、有限集合の値をとることができる場合。
• 出力が整数または実数である場合の回帰のための論理学習マシン。

• Rulex公式サイト
• 機械学習エンジニア