فهرست نشریات علمی دسترسی آزاد ایران

سیستم‌های دسته‌بند یادگیر به‌عنوان چارچوبی ترکیبی برای تلفیق تفسیرپذیری مبتنی بر قوانین و یادگیری تطبیقی شناخته می‌شوند؛ مدل‌های کلاسیک آن‌ها در مواجهه با داده‌های پویای چندکاناله و با ابعاد بالا، به‌ویژه در کاربردهای بلادرنگ، دچار افت کارایی می‌شوند. این پژوهش معماری تازه‌ای با عنوان سیستم‌های دسته‌بند یادگیر فانتوم ارائه می‌کند که هدف آن رفع این محدودیت‌ها از طریق افزودن لایه‌ای تطبیقی میان نمایش‌های عمیق و سازوکار تکامل قوانین است. لایه فانتوم با استفاده از شبکه‌های عمیق، ویژگی‌های پیچیده و پُربعد استخراج‌شده از داده را به نمایش‌های قابل‌تفسیر تبدیل می‌کند و با هدایت گرادیانی، فرایند کشف و بهینه‌سازی قوانین را شتاب می‌بخشد. کارایی مدل پیشنهادی با مجموعه‌داده‌های معیار شامل MNIST، Fashion-MNIST، CIFAR-10، UCI Letter و Statlog مورد بررسی قرار گرفت. این دادگان گستره‌ای از سادگی الگوهای تک‌کاناله تا پیچیدگی تصاویر چندکاناله و ساختارهای عددی با ابعاد بالا را پوشش می‌دهند و امکان ارزیابی توانایی تعمیم، تفسیرپذیری و پایداری مدل را فراهم می‌کنند. افزون بر داده‌های معیار، مدل فانتوم در سه حوزه کاربردی واقعی بهینه‌سازی فرایندهای صنعتی، تشخیص تصاویر پزشکی و نگهداری پیش‌بینانه مبتنی بر اینترنت اشیا پیاده‌سازی و با روش‌های پیشرفته‌ای 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 پیش‌بینی و کاهش ۴۷ درصدی پیچیدگی قواعد می‌شود. این یافته‌ها بیانگر مقیاس‌پذیری، پایداری و کارایی بالای مدل در محیط‌های نویزی و جریان‌محور بوده و مسیر تازه‌ای برای توسعه سامانه‌های قابل توضیح، بلادرنگ و قابل‌گسترش در کاربردهای چندعاملی و یادگیری مداوم فراهم می‌سازد.