論文の概要: Probabilistic Grammatical Evolution
- arxiv url: http://arxiv.org/abs/2103.08389v1
- Date: Mon, 15 Mar 2021 13:54:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 13:58:08.240379
- Title: Probabilistic Grammatical Evolution
- Title（参考訳）: 確率的文法進化
- Authors: Jessica M\'egane, Nuno Louren\c{c}o, Penousal Machado
- Abstract要約: PGE(Probabilistic Grammatical Evolution)を提案し、主要な問題のいくつかに取り組み、そのパフォーマンスを改善します。
確率論的文脈自由文法(PCFG)を用いて、その確率は進化過程において適応される。
2つの回帰問題における PGE の性能を評価し, GE および Structured Grammatical Evolution (SGE) と比較した。
- 参考スコア（独自算出の注目度）: 0.6445605125467573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Grammatical Evolution (GE) is one of the most popular Genetic Programming
(GP) variants, and it has been used with success in several problem domains.
Since the original proposal, many enhancements have been proposed to GE in
order to address some of its main issues and improve its performance.
In this paper we propose Probabilistic Grammatical Evolution (PGE), which
introduces a new genotypic representation and new mapping mechanism for GE.
Specifically, we resort to a Probabilistic Context-Free Grammar (PCFG) where
its probabilities are adapted during the evolutionary process, taking into
account the productions chosen to construct the fittest individual. The
genotype is a list of real values, where each value represents the likelihood
of selecting a derivation rule. We evaluate the performance of PGE in two
regression problems and compare it with GE and Structured Grammatical Evolution
(SGE).
The results show that PGE has a a better performance than GE, with
statistically significant differences, and achieved similar performance when
comparing with SGE.
- Abstract（参考訳）: Grammatical Evolution (GE) は、最もポピュラーな遺伝的プログラミング (GP) の一種であり、いくつかの問題領域で成功を収めている。
当初の提案以来、GEの主な問題に対処し、パフォーマンスを改善するために、多くの拡張が提案されている。
本稿では,geのための新しい遺伝子型表現と新しいマッピング機構を導入する確率論的文法進化(pge)を提案する。
具体的には、最適な個人を構築するために選ばれた生産を考慮して、進化プロセス中に確率が適応される確率的コンテキストフリー文法(PCFG)に頼っています。
ジェノタイプは実値のリストであり、各値は導出規則を選択する可能性を表す。
2つの回帰問題におけるPGEの性能を評価し、それをGEおよびStructured Grammatical Evolution (SGE)と比較する。
その結果、PGEはGEよりも優れた性能を示し、統計的に有意な差があり、SGEと比較すると同様の性能を示した。
関連論文リスト
- VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。
ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
論文 参考訳（メタデータ） (2024-05-13T20:15:03Z) - GARA: A novel approach to Improve Genetic Algorithms' Accuracy and Efficiency by Utilizing Relationships among Genes [1.7226572355808027]
本稿では,遺伝子間の関係を利用してGAの精度と効率を向上させる遺伝子制御遺伝的アルゴリズム(GRGA)を提案する。
我々は、RGGRと呼ばれる溶液空間をカプセル化した有向多部グラフを使用し、各ノードは溶液中の遺伝子に対応し、エッジは隣り合うノード間の関係を表す。
得られたRGGRは、クロスオーバーと突然変異演算子の適切な座を決定するために使用され、それによって進化過程をより速くより良く収束させる。
論文 参考訳（メタデータ） (2024-04-28T08:33:39Z) - GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-11T16:43:16Z) - From the One, Judge of the Whole: Typed Entailment Graph Construction
with Predicate Generation [69.91691115264132]
Entailment Graphs (EG) は、自然言語における文脈に依存しないentailment関係を示すために構築される。
本稿では,この問題に対処する多段階型述語グラフ生成器(TP-EGG)を提案する。
ベンチマークデータセットの実験では、TP-EGGは高品質でスケール制御可能なエンターメントグラフを生成することができる。
論文 参考訳（メタデータ） (2023-06-07T05:46:19Z) - Context Matters: Adaptive Mutation for Grammars [2.3577368017815705]
本研究では、構造化文法進化(SGE)のための自己適応突然変異法である適応ファシリテート変異を提案する。
提案した突然変異では、各個体は、各非末端に対して異なる自己適応突然変異率を持つ配列を含む。
SGEの変種である確率的構造文法進化(PSGE)を用いた3つのシンボリック回帰ベンチマーク実験を行った。
論文 参考訳（メタデータ） (2023-03-25T17:26:20Z) - Probabilistic Structured Grammatical Evolution [0.5156484100374059]
確率的構造文法進化(PSGE)を提案する。
PSGEは構造化文法進化 (Structured Grammatical Evolution, SGE) と確率文法進化 (Probabilistic Grammatical Evolution, PGE) 表現の変種とマッピング機構を組み合わせたものである。
PSGEは、調査された6つのベンチマーク問題すべてにおいて、統計的に文法的進化(GE)より優れていた。
論文 参考訳（メタデータ） (2022-05-21T22:29:10Z) - Co-evolutionary Probabilistic Structured Grammatical Evolution [0.5156484100374059]
この研究は、共進化的確率的構造的文法進化(Co-PSGE)と呼ばれる構造的文法進化(SGE)の拡張を提案する。
Co-PSGEでは、集団内の各個人は、動的リストのリストである文法とジェノタイプによって構成される。
提案手法の性能は,4つの異なるベンチマーク問題に対して,文法的進化(GE),確率的文法的進化(PGE),SGEの3つの異なる手法と比較される。
論文 参考訳（メタデータ） (2022-04-19T16:35:22Z) - Initialisation and Grammar Design in Grammar-Guided Evolutionary
Computation [0.0]
遺伝的プログラミング(CFG-GP)はランダム検索やGEよりも初期化や文法設計に敏感でないことを示す。
また,CFG-GPによる測定結果の低さは,簡単なチューニングパラメータの調整によって管理されることを示した。
論文 参考訳（メタデータ） (2022-04-15T10:15:40Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Top-N: Equivariant set and graph generation without exchangeability [61.24699600833916]
集合やグラフ上の分布の前にベクトル形状をマッピングするワンショット確率デコーダを考える。
これらの機能は、可変オートエンコーダ(VAE)、生成逆数ネットワーク(GAN)、正規化フローに統合することができる。
Top-nは、トレーニング可能な参照セットから最も関連性の高いポイントを選択することを学ぶ、決定論的で非交換可能なセット生成メカニズムである。
論文 参考訳（メタデータ） (2021-10-05T14:51:19Z) - Permutation-equivariant and Proximity-aware Graph Neural Networks with
Stochastic Message Passing [88.30867628592112]
グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。
置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。
既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。
ノードの近さを保つため,既存のGNNをノード表現で拡張する。
論文 参考訳（メタデータ） (2020-09-05T16:46:56Z)
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。