論文の概要: Zoetrope Genetic Programming for Regression
- arxiv url: http://arxiv.org/abs/2102.13388v1
- Date: Fri, 26 Feb 2021 10:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-01 14:08:07.176831
- Title: Zoetrope Genetic Programming for Regression
- Title(参考訳): 回帰のためのゾエトロープ遺伝的プログラミング
- Authors: Aur\'elie Boisbunon, Carlo Fanara, Ingrid Grenet, Jonathan Daeden,
Alexis Vighi, Marc Schoenauer
- Abstract要約: Zoetrope Genetic Programming (ZGP)アルゴリズムは、数学的表現のオリジナルの表現に基づいている。
ZGPは多数のパブリックドメイン回帰データセットを使用して検証される。
- 参考スコア(独自算出の注目度): 2.642406403099596
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Zoetrope Genetic Programming (ZGP) algorithm is based on an original
representation for mathematical expressions, targeting evolutionary symbolic
regression.The zoetropic representation uses repeated fusion operations between
partial expressions, starting from the terminal set. Repeated fusions within an
individual gradually generate more complex expressions, ending up in what can
be viewed as new features. These features are then linearly combined to best
fit the training data. ZGP individuals then undergo specific crossover and
mutation operators, and selection takes place between parents and offspring.
ZGP is validated using a large number of public domain regression datasets, and
compared to other symbolic regression algorithms, as well as to traditional
machine learning algorithms. ZGP reaches state-of-the-art performance with
respect to both types of algorithms, and demonstrates a low computational time
compared to other symbolic regression approaches.
- Abstract(参考訳): The Zoetrope Genetic Programming (ZGP) algorithm is based on a original representation for mathematical expression, targeting evolution symbolic regression, the zoetropic representation using repeat fusion operation between partial expression, from the terminal set。
個体内の反復融合は徐々により複雑な表現を生成し、最終的には新しい特徴と見なされる。
これらの機能はトレーニングデータに最も適するように線形に結合されます。
その後、ZGP個体は特定の交叉と突然変異操作を行い、親と子孫の間で選択が行われる。
ZGPは、多数のパブリックドメイン回帰データセットを使用して検証され、他のシンボリック回帰アルゴリズムや従来の機械学習アルゴリズムと比較されます。
ZGPは両タイプのアルゴリズムに対して最先端の性能に達し、他のシンボリック回帰手法と比較して計算時間が少ないことを示す。
関連論文リスト
- 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) - Accelerated Discovery of Machine-Learned Symmetries: Deriving the
Exceptional Lie Groups G2, F4 and E6 [55.41644538483948]
このレターでは、対称性変換の発見を著しく高速化する2つの改良されたアルゴリズムを紹介している。
例外的リー群の複雑性を考えると,この機械学習手法は完全に汎用的であり,多種多様なラベル付きデータセットに適用可能であることを示す。
論文 参考訳(メタデータ) (2023-07-10T20:25:44Z) - Deep Generative Symbolic Regression with Monte-Carlo-Tree-Search [29.392036559507755]
記号回帰は数値データから記号表現を学習する問題である。
手続き的に生成した合成データセットに基づいてトレーニングされたディープニューラルモデルは、競合性能を示した。
そこで本研究では,モンテカルロ木探索手法に基づいて,両世界の長所を提供する新しい手法を提案する。
論文 参考訳(メタデータ) (2023-02-22T09:10:20Z) - Symbolic Regression via Neural-Guided Genetic Programming Population
Seeding [6.9501458586819505]
シンボリック回帰(英: Symbolic regression)は、NPハードであると一般に信じられている離散最適化問題である。
この問題を解決するための従来のアプローチには、ニューラルガイド付き検索と遺伝的プログラミングがある。
本稿では、ランダムに再起動する遺伝的プログラミングコンポーネントの開始集団をシードする神経誘導成分を提案する。
論文 参考訳(メタデータ) (2021-10-29T19:26:41Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳(メタデータ) (2021-10-28T14:59:41Z) - SymbolicGPT: A Generative Transformer Model for Symbolic Regression [3.685455441300801]
シンボル回帰のための新しいトランスフォーマーベース言語モデルであるSybolicGPTを提案する。
本モデルでは,精度,実行時間,データ効率に関して,競合モデルと比較して高い性能を示す。
論文 参考訳(メタデータ) (2021-06-27T03:26:35Z) - 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) - Shape-constrained Symbolic Regression -- Improving Extrapolation with
Prior Knowledge [0.0]
目的は、期待される振る舞いに適合し、能力を改善したモデルを見つけることである。
アルゴリズムは19の合成問題と4つの現実世界の回帰問題でテストされる。
形状制約レグレッションは、テストセットに最適な結果をもたらすが、さらに大きなモデルも生成する。
論文 参考訳(メタデータ) (2021-03-29T14:04:18Z) - On Function Approximation in Reinforcement Learning: Optimism in the
Face of Large State Spaces [208.67848059021915]
強化学習のコアにおける探索・探索トレードオフについて検討する。
特に、関数クラス $mathcalF$ の複雑さが関数の複雑さを特徴づけていることを証明する。
私たちの後悔の限界はエピソードの数とは無関係です。
論文 参考訳(メタデータ) (2020-11-09T18:32:22Z) - 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。