سیستم های دسته بند یادگیر عمیق ترکیبی مبتنی بر فانتوم برای تصمیم گیری بلادرنگ

سیستم های دسته بند یادگیر به عنوان چارچوبی ترکیبی برای تلفیق تفسیرپذیری مبتنی بر قوانین و یادگیری تطبیقی شناخته می شوند؛ مدل های کلاسیک آن ها در مواجهه با داده های پویای چندکاناله و با ابعاد بالا، به ویژه در کاربردهای بلادرنگ، دچار افت کارایی می شوند. این پژوهش معماری تازه ای با عنوان سیستم های دسته بند یادگیر فانتوم ارائه می کند که هدف آن رفع این محدودیت ها از طریق افزودن لایه ای تطبیقی میان نمایش های عمیق و سازوکار تکامل قوانین است. لایه فانتوم با استفاده از شبکه های عمیق، ویژگی های پیچیده و پربعد استخراج شده از داده را به نمایش های قابل تفسیر تبدیل می کند و با هدایت گرادیانی، فرایند کشف و بهینه سازی قوانین را شتاب می بخشد. کارایی مدل پیشنهادی با مجموعه داده های معیار شامل MNIST، Fashion-MNIST، CIFAR-۱۰، UCI Letter و Statlog مورد بررسی قرار گرفت. این دادگان گستره ای از سادگی الگوهای تک کاناله تا پیچیدگی تصاویر چندکاناله و ساختارهای عددی با ابعاد بالا را پوشش می دهند و امکان ارزیابی توانایی تعمیم، تفسیرپذیری و پایداری مدل را فراهم می کنند. افزون بر داده های معیار، مدل فانتوم در سه حوزه کاربردی واقعی بهینه سازی فرایندهای صنعتی، تشخیص تصاویر پزشکی و نگهداری پیش بینانه مبتنی بر اینترنت اشیا پیاده سازی و با روش های پیشرفته ای همچون XCS، XCSF و رویکردهای یادگیری تقویتی عمیق مقایسه شد. نتایج تجربی نشان داد که معماری فانتوم موجب افزایش ۳۸ درصدی سرعت همگرایی، بهبود ۲۲ درصدی دقت پیش بینی و کاهش ۴۷ درصدی پیچیدگی قواعد می شود. این یافته ها بیانگر مقیاس پذیری، پایداری و کارایی بالای مدل در محیط های نویزی و جریان محور بوده و مسیر تازه ای برای توسعه سامانه های قابل توضیح، بلادرنگ و قابل گسترش در کاربردهای چندعاملی و یادگیری مداوم فراهم می سازد.

کلیدواژه ها:

سیستم های دسته بند یادگیر ، لایه فانتیوم ، یادگیری عمیق ، هوش مصنوعی قابل توضیح ، داده های جریان محور