論文の概要: Fitness Landscape Analysis of Dimensionally-Aware Genetic Programming Featuring Feynman Equations

• arxiv url: http://arxiv.org/abs/2004.12762v1
• Date: Mon, 27 Apr 2020 13:05:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 04:45:36.549074
• Title: Fitness Landscape Analysis of Dimensionally-Aware Genetic Programming Featuring Feynman Equations
• Title（参考訳）: ファインマン方程式を用いた次元認識型遺伝的プログラミングのフィットネス景観解析
• Authors: Marko Durasevic, Domagoj Jakobovic, Marcella Scoczynski Ribeiro Martins, Stjepan Picek, and Markus Wagner
• Abstract要約: 我々は、リチャード・ファインマンの有名な講義の方程式のサブセットに基づいて、次元認識型遺伝的プログラミング探索空間のフィットネスランドスケープ解析を行う。 実験の結果,変数次元に関する付加情報は探索アルゴリズムを効率的に導くことができることがわかった。
• 参考スコア（独自算出の注目度）: 8.477138002183713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Genetic programming is an often-used technique for symbolic regression: finding symbolic expressions that match data from an unknown function. To make the symbolic regression more efficient, one can also use dimensionally-aware genetic programming that constrains the physical units of the equation. Nevertheless, there is no formal analysis of how much dimensionality awareness helps in the regression process. In this paper, we conduct a fitness landscape analysis of dimensionallyaware genetic programming search spaces on a subset of equations from Richard Feynmans well-known lectures. We define an initialisation procedure and an accompanying set of neighbourhood operators for conducting the local search within the physical unit constraints. Our experiments show that the added information about the variable dimensionality can efficiently guide the search algorithm. Still, further analysis of the differences between the dimensionally-aware and standard genetic programming landscapes is needed to help in the design of efficient evolutionary operators to be used in a dimensionally-aware regression.
• Abstract（参考訳）: 遺伝的プログラミングは、よく使われる記号回帰の手法であり、未知の関数からのデータにマッチする記号表現を見つける。 シンボリック回帰をより効率的にするために、方程式の物理単位を制約する次元認識遺伝的プログラミングを使うこともできる。 それにもかかわらず、次元認識が回帰過程にどの程度役立つかに関する形式的な分析は存在しない。 本稿では、リチャード・ファインマンの有名な講義の方程式のサブセット上で、次元認識型遺伝的プログラミング探索空間のフィットネスランドスケープ解析を行う。 物理単位の制約内で局所探索を行うための初期化手順と周辺演算子のセットを定義する。 実験の結果,変数次元に関する付加情報は探索アルゴリズムを効率的に導くことができることがわかった。 それでも、次元認識と標準遺伝プログラミングのランドスケープの違いのさらなる分析は、次元認識回帰に使用される効率的な進化的演算子の設計に役立てる必要がある。

関連論文リスト

• Enhancing Symbolic Regression and Universal Physics-Informed Neural Networks with Dimensional Analysis [0.7864304771129751]
  本稿では,次元解析による微分方程式の記号回帰性向上手法を提案する。 我々はIpsenの次元解析法とUniversal Physics-Informed Neural Networksを統合する。 本研究では,データを非次元形式に変換することで,時間を大幅に短縮し,計算精度を向上することを示す。
  論文  参考訳（メタデータ） (2024-11-24T17:07:39Z)
• The Inefficiency of Genetic Programming for Symbolic Regression -- Extended Version [0.0]
  我々は,遺伝的プログラミングの探索挙動を,実用上は関係するが限定的な状況下での象徴的回帰のために分析する。 これにより、最良の表現を見つける成功確率を定量化できる。 遺伝的プログラミングの探索効率を意味的一意表現の空間におけるランダム探索と比較する。
  論文  参考訳（メタデータ） (2024-04-26T09:49:32Z)
• Deep Generative Symbolic Regression [83.04219479605801]
  記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。 既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。 本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
  論文  参考訳（メタデータ） (2023-12-30T17:05:31Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Genetic Programming Based Symbolic Regression for Analytical Solutions to Differential Equations [8.669375104787806]
  本稿では,微分方程式の解析解の発見のための機械学習手法を提案する。 数値近似とは対照的に,真の解析解を復元する能力を示す。
  論文  参考訳（メタデータ） (2023-02-07T00:23:07Z)
• Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
  微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。 関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。 この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
  論文  参考訳（メタデータ） (2022-10-15T17:32:49Z)
• Symbolic Regression for Space Applications: Differentiable Cartesian Genetic Programming Powered by Multi-objective Memetic Algorithms [10.191757341020216]
  進化ループ中の定数を学習するために、微分可能なモンテカルロ遺伝的プログラミング符号化を利用する、新しい多目的メメティックアルゴリズムを提案する。 この手法は、火星からの熱パワー推定とジャイロロノロジーによる恒星の年齢決定という2つの応用に対して、学習したブラックボックス回帰モデルやハンドエンジニアリングフィッティングよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-13T14:44:15Z)
• Neural Symbolic Regression that Scales [58.45115548924735]
  本稿では,大規模事前学習を利用した最初の記号回帰手法を提案する。 我々は,非有界な方程式の集合を手続き的に生成し,同時にインプット・アウトプット・ペアの集合からシンボル方程式を予測するためにトランスフォーマーを事前訓練する。
  論文  参考訳（メタデータ） (2021-06-11T14:35:22Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。