Facing online challenges using learning classifier systems
Andrés Sancho Asensio · TDX (Tesis Doctorals en Xarxa) · 2014
Els grans avencos en el camp de l’aprenentatge automatic han resultat en el disseny de maquines competents que son capaces d’aprendre i d’extreure informacio util i original de l’experiencia. Recentment, algunes d’aquestes tecniques d’aprenentatge s’han aplicat amb exit per resoldre problemes del mon real en ambits tecnologics, medics, cientifics i industrials, els quals no es podien tractar amb tecniques convencionals d’analisi ja sigui per la seva complexitat o pel gran volum de dades a processar. Donat aquest exit inicial, actualment els sistemes d’aprenentatge s’enfronten a problemes de complexitat mes elevada, el que ha resultat en un augment de l’activitat investigadora entorn sistemes capacos d’afrontar nous problemes del mon real eficientment i de manera escalable. Una de les families d’algorismes mes prometedores en l’aprenentatge automatic son els sistemes classificadors basats en algorismes genetics (LCSs), el funcionament dels quals s’inspira en la natura. Els LCSs intenten representar les politiques d’actuacio d’experts humans amb un conjunt de regles que s’empren per escollir les millors accions a realitzar en tot moment. Aixi doncs, aquests sistemes aprenen politiques d’actuacio de manera incremental a mida que van adquirint experiencia a traves de la informacio nova que se’ls va presentant durant el temps. Els LCSs s’han aplicat, amb exit, a camps tan diversos com la prediccio de cancer de prostata o el suport a la inversio en borsa, entre altres. A mes en alguns casos s’ha demostrat que els LCSs realitzen tasques superant la precisio dels essers humans. El proposit d’aquesta tesi es explorar la naturalesa de l’aprenentatge online dels LCSs d’estil Michigan per a la mineria de grans quantitats de dades en forma de fluxos d’informacio continus a alta velocitat i canviants en el temps. Molt sovint, l’extraccio de coneixement a partir d’aquestes fonts de dades es clau per tal d’obtenir una millor comprensio dels processos que les dades estan descrivint. Aixi, aprendre d’aquestes dades planteja nous reptes a les tecniques tradicionals d’aprenentatge automatic, les quals no estan dissenyades per tractar fluxos de dades continus i on els conceptes i els nivells de soroll poden variar amb el temps de forma arbitraria. La contribucio de la present tesi pren l’eXtended Classifier System (XCS), el LCS d’estil Michigan mes estudiat i un dels algoritmes d’aprenentatge automatic mes competents, com el punt de partida. D’aquesta manera els reptes abordats en aquesta tesi son dos: el primer desafiament es la construccio d’un sistema supervisat competent sobre el framework dels LCSs d’estil Michigan que apren dels fluxos de dades amb una capacitat de reaccio rapida als canvis de concepte i entrades amb soroll. Com moltes aplicacions cientifiques i industrials generen grans quantitats de dades sense etiquetar, el segon repte es aplicar les llicons apreses per continuar amb el disseny de LCSs d’estil Michigan capacos de solucionar problemes online sense assumir una estructura a priori en els dades d’entrada.