Fugu-MT 論文翻訳(概要): Ensemble Genetic Programming

論文の概要: Ensemble Genetic Programming

arxiv url: http://arxiv.org/abs/2001.07553v1
Date: Tue, 21 Jan 2020 14:10:37 GMT
ステータス: 処理完了
システム内更新日: 2023-01-07 23:19:07.701345
Title: Ensemble Genetic Programming
Title（参考訳）: アンサンブル遺伝的プログラミング
Authors: Nuno M. Rodrigues, Jo\~ao E. Batista, Sara Silva
Abstract要約: Ensemble GPは、他の遺伝的プログラミングシステムと同じ手順に従っているが、集団構造、適合性評価、遺伝的演算子が異なる。我々は,この手法を二項分類問題一式で検証し,より小さなモデルで,標準GPよりもはるかに優れた結果を得た。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ensemble learning is a powerful paradigm that has been usedin the top state-of-the-art machine learning methods like Random Forestsand XGBoost. Inspired by the success of such methods, we have devel-oped a new Genetic Programming method called Ensemble GP. The evo-lutionary cycle of Ensemble GP follows the same steps as other GeneticProgramming systems, but with differences in the population structure,fitness evaluation and genetic operators. We have tested this method oneight binary classification problems, achieving results significantly betterthan standard GP, with much smaller models. Although other methodslike M3GP and XGBoost were the best overall, Ensemble GP was able toachieve exceptionally good generalization results on a particularly hardproblem where none of the other methods was able to succeed.
Abstract（参考訳）: アンサンブル学習は、ランダムフォレストやxgboostといった最先端機械学習手法で使われている強力なパラダイムである。このような手法の成功に触発されて、我々はEnsemble GPと呼ばれる新しい遺伝的プログラミング手法を考案した。 Ensemble GPのevo-lutionary cycleは、他の遺伝プログラミングシステムと同じ手順を踏襲するが、個体群構造、適合性評価、遺伝的演算子が異なる。我々は,この手法を二進法分類問題で検証し,より小さなモデルで標準GPよりもはるかに優れた結果を得た。 M3GP や XGBoost のような他の手法は全体としては最適であったが、Ensemble GP は例外なく優れた一般化結果を得ることができ、他の方法が成功しなかった。

関連論文リスト

Classifier-guided Gradient Modulation for Enhanced Multimodal Learning [50.7008456698935]
Gradient-Guided Modulation (CGGM) は,マルチモーダル学習と勾配のバランスをとる新しい手法である。 UPMC-Food 101, CMU-MOSI, IEMOCAP, BraTSの4つのマルチモーダルデータセットについて広範な実験を行った。 CGGMはすべてのベースラインや最先端のメソッドを一貫して上回る。
論文参考訳（メタデータ） (2024-11-03T02:38:43Z)
Liquid State Genetic Programming [0.0]
本稿では,LSGP(Liquid State Genetic Programming)と呼ばれる新しい遺伝的プログラミング法を提案する。 LSGPは、入力(液体)を格納する動的メモリと、問題を解決するために使用される遺伝的プログラミング技術を組み合わせたハイブリッド手法である。数値実験により、LSGPは、検討されたテスト問題に対して、標準的な遺伝的プログラミングと同じような、時には同等に機能することが示された。
論文参考訳（メタデータ） (2023-12-05T17:09:21Z)
A Reinforcement Learning-assisted Genetic Programming Algorithm for Team Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文参考訳（メタデータ） (2023-04-08T14:32:12Z)
Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
論文参考訳（メタデータ） (2023-02-28T14:01:01Z)
Weighted Ensembles for Active Learning with Adaptivity [60.84896785303314]
本稿では,ラベル付きデータに漸進的に適応した重み付きGPモデルのアンサンブルについて述べる。この新しいEGPモデルに基づいて、不確実性および不一致ルールに基づいて、一連の取得関数が出現する。適応的に重み付けされたEGPベースの取得関数のアンサンブルも、さらなる性能向上のために導入されている。
論文参考訳（メタデータ） (2022-06-10T11:48:49Z)
Scaling Gaussian Process Optimization by Evaluating a Few Unique Candidates Multiple Times [119.41129787351092]
GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。 GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
論文参考訳（メタデータ） (2022-01-30T20:42:14Z)
Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文参考訳（メタデータ） (2021-10-13T15:11:25Z)
Solving classification problems using Traceless Genetic Programming [0.0]
トレースレス遺伝的プログラミング(TGP)は、現実の難解な問題を解くために用いられる新しい遺伝的プログラミング(GP)である。本稿では, ProBEN1 から抽出した実世界の分類問題の解法として TGP を用いる。
論文参考訳（メタデータ） (2021-10-07T06:13:07Z)
Using Traceless Genetic Programming for Solving Multiobjective Optimization Problems [1.9493449206135294]
トレーレス・ジェネティック・プログラミング(Traceless Genetic Programming、TGP)は、プログラム自体よりもプログラムの出力に焦点をあてる場合に使われる遺伝的プログラミング(GP)の変種である。 TGPと組み合わせて2つの遺伝子操作子(クロスオーバーと挿入)が使用される。数値実験により、TGPは非常に高速かつ十分に検討されたテスト問題を解くことができることが示された。
論文参考訳（メタデータ） (2021-10-07T05:55:55Z)
Solving even-parity problems using traceless genetic programming [0.0]
TGPは、個人を構築するためのテクニックと、個人を表現するテクニックを組み合わせたハイブリッド技術である。 TGPと組み合わせて2つの遺伝子操作子(クロスオーバーと挿入)が使用される。 TGPは、均一性問題に対するデジタル回路の進化に応用される。
論文参考訳（メタデータ） (2021-10-04T13:23:32Z)
Genetic Programming is Naturally Suited to Evolve Bagging Ensembles [0.0]
適合度評価と選択の微妙な変化は、単純で従来のGPアルゴリズムを効率的に進化させるのに十分であることを示す。我々のアルゴリズムは、最先端のアンサンブルと非アンサンブルGPアルゴリズムと非常によく比較できる。
論文参考訳（メタデータ） (2020-09-13T16:28:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。