본 논문은 학습 분류 시스템(LCSs)에서 규칙 표현의 적응적 선택을 위한 새로운 방법을 제시합니다. 기존 LCSs는 문제에 적합한 규칙 표현을 선택하는 것이 어렵고, 입력 공간의 서브스페이스마다 다른 표현이 필요한 경우도 있습니다. 본 논문에서는 네 개의 파라미터를 갖는 베타 분포를 이용한 유연한 규칙 표현을 제안하고, 이를 퍼지 스타일 LCS에 통합합니다. 베타 분포의 유연성을 통해 LCS는 서로 다른 서브스페이스에 적합한 표현을 자동으로 선택할 수 있습니다. 또한, 가능한 경우 명확한 규칙을 선호하는 일반화 편향을 통합하여 모델의 해석성을 향상시키면서 정확도를 유지합니다. 실험 결과, 제안된 LCS는 기존 방법보다 우수한 테스트 정확도와 더욱 간결한 규칙 집합을 생성하는 것으로 나타났습니다.
