مروری سیستماتیک بر ادغام طبقه‌بندها با اتوماتای یادگیر

سیستم‌های طبقه‌بندی چندگانه به‌دلیل توانایی در افزایش دقت و تعمیم‌پذیری، جایگاه ویژه‌ای در یادگیری ماشین پیدا کرده‌اند. با این حال، چالش اصلی در این سیستم‌ها، طراحی مکانیزمی کارآمد برای انتخاب پویا یا ترکیب بهینه خروجی طبقه‌بندها است. روش‌های سنتی مانند رای اکثریت یا تخصیص وزن ثابت، اغلب در تطبیق با پیچیدگی و غیرقطعی بودن محیط‌های واقعی ناتوان هستند. این مقاله به بررسی سیستماتیک نقش اتوماتای یادگیر به عنوان یک ابزار هوشمند و تطبیق‌پذیر برای حل این چالش می‌پردازد. اتوماتای یادگیر، با بهره‌گیری از اصول یادگیری تقویتی در محیط‌های تصادفی، توانایی یادگیری توزیع بهینه اقدامات (انتخاب یا وزن‌دهی طبقه‌بندها) را از طریق تعامل با محیط و دریافت بازخورد دارد. در این مرور، ما با بررسی گسترده مقالات معتبر، الگوهای اصلی ادغام را شناسایی و دسته‌بندی کرده‌ایم. این الگوها شامل استفاده از اتوماتای یادگیر به عنوان یک انتخاب‌گر پویا برای گزینش موثرترین طبقه‌بند برای هر نمونه ورودی، به کارگیری آن به عنوان یک ترکیب‌کننده وزنی پویا برای تخصیص خودکار سطوح اعتماد به طبقه‌بندها، و معماری‌های پیشرفته‌تر مانند اتوماتای یادگیر سلسله‌مراتبی هستند. یافته‌های این مطالعه نشان می‌دهد که ادغام اتوماتای یادگیر با سیستم‌های طبقه‌بندی، منجر به عملکرد برتر در مقایسه با روش‌های ترکیب ایستا در طیف وسیعی از کاربردها مانند پردازش تصویر، تشخیص ناهنجاری و طبقه‌بندی متون شده است. این سیستم‌های هیبریدی به‌ویژه در مواجهه با داده‌های پرنویز، غیرایستا و با ابعاد بالا، انعطاف‌پذیری و مقاومت قابل‌توجهی از خود نشان می‌دهند. در نهایت، این مقاله چالش‌های جاری همچون پیچیدگی محاسباتی و تنظیم پارامترها را مورد بحث قرار داده و جهت‌های تحقیقاتی آینده، از جمله ادغام با یادگیری عمیق و به کارگیری در سیستم‌های سایبر-فیزیکی را پیشنهاد می‌کند.

a systematic review of integrating classifiers with learning automata

multiple classification systems have gained a special place in machine learning due to their ability to increase accuracy and generalizability. however, the main challenge in these systems is to design an efficient mechanism for dynamic selection or optimal combination of classifier outputs. traditional methods such as majority voting or fixed weight assignment are often unable to adapt to the complexity and uncertainty of real environments. this paper systematically reviews the role of learning automata as an intelligent and adaptable tool to solve this challenge. learning automata, by utilizing the principles of reinforcement learning in stochastic environments, have the ability to learn the optimal distribution of actions (selection or weighting of classifiers) through interaction with the environment and receiving feedback. in this review, we have identified and categorized the main patterns of integration by extensively reviewing the authoritative literature. these patterns include using learning automata as a dynamic selector to select the most effective classifier for each input sample, employing it as a dynamic weighted combiner to automatically assign confidence levels to classifiers, and more advanced architectures such as hierarchical learning automata. the findings of this study show that the integration of learning automata with classification systems leads to superior performance compared to static combination methods in a wide range of applications such as image processing, anomaly detection, and text classification. these hybrid systems exhibit remarkable flexibility and robustness, especially when faced with noisy, non-stationary, and high-dimensional data. finally, this paper discusses current challenges such as computational complexity and parameter tuning, and suggests future research directions, including integration with deep learning and application to cyber-physical systems.