یک رویکرد یادگیری لایه‌ای برای مقیاس‌گذاری در سیستم‌های دسته‌بند یادگیری برای مسائل بولی

محاسبات تکاملی (EC) اغلب دانش آموخته شده را به عنوان بازنشانی برای هر مسئله جدید مورد بررسی قرار می‌دهد. برعکس، انسان‌ها می‌توانند از مسائل در مقیاس کوچک درس بگیرند، این دانش را حفظ کنند (به‌علاوه عملکرد)، و سپس با موفقیت دوباره از آنها در مقیاس بزرگ‌تر و/یا مسائل مرتبط استفاده کنند. پیوند راه‌حل‌ها با مسائل از طریق یادگیری لایه‌ای به دست آمده است، جایی که یک آزمایشگر یک سری مسائل مرتبط ساده‌تر را برای حل یک کار پیچیده‌تر تنظیم می‌کند. کارهای اخیر بر روی سیستم‌های دسته‌بند یادگیری (LCS) نشان داده است که استفاده مجدد از دانش از طریق پذیرش قطعات کد، برنامه‌های درختی مانند GP، قابل قبول است. با این حال، استفاده مجدد تصادفی ناکارآمد است. بنابراین، سوال تحقیق این است که چگونه LCS می‌تواند یک چارچوب یادگیری لایه‌ای اتخاذ کند، به طوری که مسائل پیچیده‌تر را می‌توان به طور کارآمد حل کرد. یک LCS  (به نام XCSCF*) توسعه یافته است تا شامل بدیهیات پایه مورد نیاز برای یادگیری، روش‌های تصفیه شده برای انتقال یادگیری و بازنویسی یادگیری به عنوان تجزیه به یک سری مسائل فرعی باشد. این مسائل فرعی را می‌توان به عنوان یک برنامه درسی توسط معلم تنظیم کرد، اما این بدان معنا نیست که یک عامل می‌تواند از آن درس بگیرد. به خصوص اگر فقط دانش بیش از حد برازش هر مسئله را به جای الگوها و توابع مقیاس پذیر زیربنایی استخراج کند. نتایج نشان می‌دهد که از یک جدول معمولی، که تنها با یک مفهوم مبهم از اینکه کدام مسائل فرعی ممکن است مرتبط باشند، XCSCF* منطق کلی پشت حوزه‌های آزمایش‌شده را به تصویر می‌کشد و بنابراین می‌تواند هر n-bit Multiplexer، n-bit Carry-one، n-bit Majority-on، و n-bit Even-parity را حل کند. این کار گامی را به سوی یادگیری مستمر نشان می‌دهد زیرا دانش آموخته شده به طور موثر در مسائل بعدی مورد استفاده مجدد قرار می‌گیرد.