Rule-based machine learning

یادگیری ماشینی مبتنی بر قانون

یادگیری ماشینی مبتنی بر قانون (RBML) اصطلاحی در علوم کامپیوتر است که در برگیرنده هر روش یادگیری ماشینی است که "قوانین" را برای ذخیره، دستکاری یا اعمال شناسایی، یاد می‌گیرد یا تکامل می‌دهد [1][2][3]. مشخصه تعیین کننده یک یادگیرنده ماشینی مبتنی بر قانون، شناسایی و استفاده از مجموعه ای از قوانین رابطه ای است که به طور جمعی دانش گرفته شده توسط سیستم را نشان می دهد. این برخلاف دیگر یادگیرندگان ماشینی است که معمولاً یک مدل منحصر به فرد را شناسایی می کنند که می تواند به طور جهانی برای هر نمونه ای به منظور پیش بینی اعمال شود.

رویکردهای یادگیری ماشین مبتنی بر قانون شامل سیستم‌های طبقه‌بندی‌کننده یادگیری، [4] یادگیری قوانین ارتباطی، [5] سیستم‌های ایمنی مصنوعی، [6] و هر روش دیگری که بر مجموعه‌ای از قوانین تکیه دارد که هر کدام دانش زمینه‌ای را پوشش می‌دهند.

در حالی که یادگیری ماشینی مبتنی بر قانون از نظر مفهومی نوعی سیستم مبتنی بر قانون است، اما از سیستم‌های سنتی مبتنی بر قانون که اغلب دست ساز هستند و سایر تصمیم‌گیرندگان مبتنی بر قانون متمایز است. این به این دلیل است که یادگیری ماشینی مبتنی بر قانون، نوعی الگوریتم یادگیری را برای شناسایی خودکار قوانین مفید به کار می‌گیرد، نه اینکه انسان نیاز به اعمال دانش قبلی برای ساخت دستی قوانین و تنظیم یک مجموعه قوانین داشته باشد.

مولفه یادگیری

یادگیری به چهار گروه اصلی تقسیم می گردد:

۱) یادگیری نظارت شده

۲) یادگیری نظارت نشده

۳) نیمه نظارتی

۴) یادگیری تقویتی

 

Genetic Algorithm

الگوریتم‌های ژنتیک: تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌شود. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در مدل‌سازی الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حل‌ها تبدیل می‌شود سپس راه حل‌ها به عنوان کاندیداها توسط تابع برازش یا تابع برازندگی (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. به‌طور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند که این الگوریتم‌ها از بخش‌های تابع برازش، نمایش، انتخاب و تغییر تشکیل می‌شوند.

Learning Classifier System

سیستم‌های طبقه‌بندی یادگیری، یا LCS، الگویی از روش‌های یادگیری ماشین مبتنی بر قانون هستند که یک مولفه اکتشاف (برای مثال یک الگوریتم ژنتیک) را با یک مولفه یادگیری (انجام یادگیری نظارت شده، یادگیری تقویتی یا یادگیری نظارت نشده) ترکیب می‌کنند.[۲] سیستم‌های طبقه بندی یادگیری به دنبال شناسایی مجموعه ای از قوانین وابسته به متن هستند که در مجموع، اطلاعات را به صورت تکه ای ذخیره می‌کنند و به کار می‌برند تا محاسبات را انجام دهند (مانند مدل‌سازی رفتار،[۳] طبقه‌بندی،[۴][۵] داده کاوی،[۵]رگرسیون، تقریب تابع،[۶] یا استراتژی بازی). این روش اجازه می‌دهد تا فضاهای راه حل پیچیده به بخش‌های کوچکتر و ساده‌تر تقسیم شوند.

شبکه های پیچیده کوانتمی Quantum Complex Networks

شبکه های پیچیده کوانتومی شبکه های پیچیده ای هستند که گره های آنها دستگاه های محاسباتی کوانتومی هستند [۱].

 مکانیک کوانتومی برای ایجاد کانال های ارتباطی کوانتومی ایمن که از هک محافظت می شوند، استفاده شده است [۱-۲]

 تعمیم روش های شبکه پیچیده به تنظیمات کوانتومی نشان دهنده یک پیشرفت اساسی است که برای درک پیچیدگی در سیستم های فیزیکی لازم است [۲].

. دامنه کاربرد روش‌های شبکه پیچیده برای فیزیک کوانتومی باید گسترش یابد، در حالی که مطالعات در جهت دیگر، یعنی جایی که روش‌های حوزه کوانتومی اکنون به علوم شبکه منتقل شده‌اند، باید گسترش یابد [۲].

در اینجا چند نکته کلیدی در مورد شبکه های پیچیده کوانتومی وجود دارد:

·         شبکه های پیچیده کوانتومی شبکه های پیچیده ای هستند که گره های آنها دستگاه های محاسباتی کوانتومی هستند [۱].

·         مکانیک کوانتومی برای ایجاد کانال های ارتباطی کوانتومی ایمن که از هک محافظت می شوند، استفاده شده است [۱-۲].

·         تعمیم روش های شبکه پیچیده به تنظیمات کوانتومی نشان دهنده یک پیشرفت اساسی است که برای درک پیچیدگی در سیستم های فیزیکی لازم است [۲].

·         دامنه کاربرد روش‌های شبکه پیچیده برای فیزیک کوانتومی باید گسترش یابد، در حالی که مطالعات در جهت دیگر، یعنی جایی که روش‌های حوزه کوانتومی اکنون به علوم شبکه منتقل شده‌اند، باید گسترش یابد [۲].

·         شبکه‌های پیچیده به صورت نمودارها مدل‌سازی می‌شوند که اشیاء ریاضی متشکل از گره‌ها و یال‌ها هستند [۳].

·         یکی از ویژگی‌هایی که شبکه‌های پیچیده کوانتومی را از آنالوگ کلاسیکشان متمایز می‌کند این واقعیت است که در شبکه‌های تصادفی کوانتومی، پیوندها تنها پس از اندازه‌گیری واقعی ایجاد می‌شوند و می‌توان از این واقعیت برای شکل دادن به وضعیت نهایی شبکه استفاده کرد [۱].

·         جست‌وجو برای یک نظریه عمومی شبکه‌های پیچیده در فیزیک کوانتومی هنوز ادامه دارد [۲].

·         تشخیص انجمن، که فرآیند شناسایی گروه‌هایی از گره‌هایی است که نسبت به بقیه شبکه به یکدیگر متصل هستند، از سیستم‌های کلاسیک به سیستم‌های کوانتومی گسترش یافته است [۴].

مراجع

1. Quantum complex network - Wikipedia

2. Complex networks from classical to quantum | Communications Physics - Nature

3. Making Sense of Complex Networks Using Quantum Computing | 1QBit