この記事では、学習分類システム（LCS）の層化学習を通じたスケーリング手法を提案しています。LCSは認知科学の研究から発展し、強力な分類技術として利用されていますが、複雑な問題の解決には高次の知識構築が必要とされます。最近の研究では、コードフラグメントを用いた知識の再利用がスケーリングの進展に寄与することが示されています。しかし、困難な問題を解決するためには高レベルの構造を必要とするため、スケーリングには限界があります。著者たちはXCSCF*を改良し、単純な問題から複雑な問題へと知識を転送することで、多様な問題領域でのロバスト性を確保する方法を探求します。具体的には、Multiplexer、Carry-one、Majority-on、Even-parityのベンチマークで効果を示し、学習のために必要な基本的公理や転移学習の手法を提案しています。最終的に、システムは任意のnビットのMultiplexerなどを解決する能力を持つことが示されました。