This paper proposes a novel classifier based on the theory of Learning Automata (LA), reckoned to as PolyLA. The essence of our scheme is to search for a separator in the feature space by imposing an LA-based random walk in a grid system. To each node in the grid, we attach an LA whose actions are the choices of the edges forming a separator. The walk is self-enclosing, and a new random walk is started whenever the walker returns to the starting node forming a closed classification path yielding a many-edged polygon. In our approach, the different LA attached to the different nodes search for a polygon that best encircles and separates each class. Based on the obtained polygons, we perform classification by labeling items encircled by a polygon as part of a class using a ray casting function. From a methodological perspective, PolyLA has appealing properties compared to SVM. In fact, unlike PolyLA, the SVM performance is dependent on the right choice of the kernel function (e.g., linear kernel, Gaussian kernel)—which is considered a “black art.” PolyLA, on the other hand, can find arbitrarily complex separator in the feature space. We provide sound theoretical results that prove the optimality of the scheme. Furthermore, experimental results show that our scheme is able to perfectly separate both simple and complex patterns outperforming existing classifiers, such as polynomial and linear SVM, without the need to map the problem to many dimensions or to introduce a “kernel trick.” We believe that the results are impressive, given the simplicity of PolyLA compared to other approaches such as SVM.

中文翻译：

---

基于分布式自动机的S分类学习方案

本文基于学习自动机（LA）理论提出了一种新颖的分类器，被称为PolyLA。我们的方案的本质是通过在网格系统中施加基于LA的随机游走来在特征空间中搜索分隔符。在网格中的每个节点上，我们都附加了一个LA，其作用是选择形成分隔符的边。步行是自动封闭的，只要步行者返回起始节点并形成闭合的分类路径并生成多边多边形，就会开始新的随机步行。在我们的方法中，连接到不同节点的不同LA查找最能包围并分隔每个类的多边形。基于获得的多边形，我们通过使用射线投射功能将多边形所包围的项标记为类的一部分来进行分类。从方法论的角度来看，与SVM相比，PolyLA具有吸引人的特性。实际上，与PolyLA不同，SVM性能取决于正确选择内核功能（例如，线性内核，高斯内核），这被认为是“妖术”。另一方面，PolyLA可以在特征空间中找到任意复杂的分隔符。我们提供了合理的理论结果，证明了该方案的最优性。此外，实验结果表明，我们的方案能够完美地将简单模式和复杂模式分离，胜过现有分类器，例如多项式和线性SVM，而无需将问题映射到多个维度或引入“内核技巧”。我们相信，与其他方法（例如SVM）相比，PolyLA的简单性可以使结果令人印象深刻。SVM的性能取决于正确选择内核功能（例如，线性内核，高斯内核），这被认为是“妖术”。另一方面，PolyLA可以在特征空间中找到任意复杂的分隔符。我们提供了合理的理论结果，证明了该方案的最优性。此外，实验结果表明，我们的方案能够完美地将简单模式和复杂模式分离，胜过现有分类器，例如多项式和线性SVM，而无需将问题映射到多个维度或引入“内核技巧”。我们相信，与其他方法（例如SVM）相比，PolyLA的简单性可以使结果令人印象深刻。SVM的性能取决于正确选择内核功能（例如，线性内核，高斯内核），这被认为是“妖术”。另一方面，PolyLA可以在特征空间中找到任意复杂的分隔符。我们提供了合理的理论结果，证明了该方案的最优性。此外，实验结果表明，我们的方案能够完美地将简单模式和复杂模式分离，胜过现有分类器，例如多项式和线性SVM，而无需将问题映射到多个维度或引入“内核技巧”。我们相信，与其他方法（例如SVM）相比，PolyLA的简单性可以使结果令人印象深刻。另一方面，可以在特征空间中找到任意复杂的分隔符。我们提供了合理的理论结果，证明了该方案的最优性。此外，实验结果表明，我们的方案能够完美地将简单模式和复杂模式分离，胜过现有分类器，例如多项式和线性SVM，而无需将问题映射到多个维度或引入“内核技巧”。我们相信，与其他方法（例如SVM）相比，PolyLA的简单性可以使结果令人印象深刻。另一方面，可以在特征空间中找到任意复杂的分隔符。我们提供了合理的理论结果，证明了该方案的最优性。此外，实验结果表明，我们的方案能够完美地将简单模式和复杂模式分离，胜过现有分类器，例如多项式和线性SVM，而无需将问题映射到多个维度或引入“内核技巧”。我们相信，与其他方法（例如SVM）相比，PolyLA的简单性可以使结果令人印象深刻。例如多项式和线性SVM，而无需将问题映射到多个维度或引入“内核技巧”。我们相信，与其他方法（例如SVM）相比，PolyLA的简单性可以使结果令人印象深刻。例如多项式和线性SVM，而无需将问题映射到多个维度或引入“内核技巧”。我们相信，与其他方法（例如SVM）相比，PolyLA的简单性可以使结果令人印象深刻。