تحسين متعدد الأهداف للأشجار العصبية متعددة المخرجات

نُقدّم خوارزمية وطريقة جديدة لمعالجة مشاكل التصنيف. نُقدّم خوارزمية شجرة عصبية متعددة المخرجات (MONT)، وهي خوارزمية تعلّم تطوري يتم تدريبها باستخدام خوارزمية التصنيف غير المهيمن (NSGA)-III. وبما أن التعلّم التطوري يعتمد على عشوائية، فإن الفرضية الناتجة على شكل MONT تكون فريدة في كل تشغيل للتعلّم التطوري، أي أن كل فرضية (شجرة) تُنتج تمتلك خصائص مختلفة عن أي فرضية أخرى سواء من حيث الفضاء الهيكلي أو الفضاء المعاملاتي. هذا يؤدي إلى مشكلة تحسين صعبة، حيث يكون الهدف هو تقليل حجم الشجرة وزيادة دقة التصنيف في آن واحد. ولذلك، تم معالجة مسائل التحسين بحسب المثالية البورتية من خلال تحليل مؤشر الحجم الفائق (hypervolume indicator). وقد استخدمنا تسع مشاكل معيارية لتعلم التصنيف لتقييم أداء MONT. ومن نتائج تجاربنا، تم الحصول على نماذج MONT قادرة على معالجة مشاكل التصنيف بدقة عالية. وقد أظهر أداء MONT تفوقًا ملحوظًا مقارنة بمجموعة من تصنيفات معروفة جدًا، مثل الشبكة العصبية متعددة الطبقات (multilayer perceptron)، وشجرة التصنيف المُعدّلة بتقنية التقليل من الخطأ (reduced-error pruning tree)، والمرشح بايز البسيط (naive Bayes classifier)، وشجرة القرار (decision tree)، وآلة المتجهات الداعمة (support vector machine)، على مجموعة من المشكلات التي تم دراستها. علاوة على ذلك، أشارت نتائج أداء ثلاث نسخ من تدريب MONT باستخدام البرمجة الوراثية، وNSGA-II، وNSGA-III إلى أن NSGA-III يُقدّم أفضل حلول مثالية بورتية.