Opposition-based learning as a new scheme for machine intelligence is introduced. Estimates and counter-estimates, weights and opposite weights, and actions versus counter-actions are the foundation of this new approach. Examples are provided. Possibilities for extensions of existing learning algorithms are discussed. Preliminary results are provided

چکیده

مسئله ی یادگیری مبتنی بر تناقض و تضاد را میتوان به عنوان شِمایی جدید در حوزه ی هوش ماشینی در نظر گرفت. برآورد ها و ضد برآورد ها، وزن ها و وزن های مغایر، تدابیر و تدابیر متقابل را میتوان مبنای کار این حوزه دانست. مثال هایی نیز در این خصوص ارائه شده است. احتمالات مربوط به توسعه ی الگوریتم های یادگیری موجود نیز مورد بحث قرار خواهد گرفت. نتایج اصلی نیز ارائه خواهد شد.

1-مقدمه

بسیاری از الگوریتم های هوش ماشینی که تا به امروز طراحی شده است را میتوان الهام گرفته از سیستم های طبیعی مختلف دانست. الگوریتم های ژنتیک، شبکه های عصبی، عامل های بهبود و کلونی مورچگان را میتوان مثال هایی از این سیستم ها دانست، که به ترتیب متدلوژی هایی را در خصوص تکامل، سیستم عصبی انسان، روانشناسی و هوش حیوانی ارائه داده اند. البته یادگیری به صورت پروسه ای طبیعی را میتوان عموماٌ امری خسته کننده دانست. برای مثال، در مسئله ی تغییرات ژنتیکی، از نسل ها استفاده می­گردد تا جهت گیری جدیدی در توسعه ی زیستی پدید آید. تعدیل رفتار بر مبنای بازخورد های ارزیابی، مانند پاداش و تنبیه را میتوان از جمله سیستم هایی دانست که یادگیری آنها بسیار زمان بر است…