論文の概要: Speed Benchmarking of Genetic Programming Frameworks

• arxiv url: http://arxiv.org/abs/2106.11919v1
• Date: Tue, 25 May 2021 22:06:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-27 09:01:10.206025
• Title: Speed Benchmarking of Genetic Programming Frameworks
• Title（参考訳）: 遺伝的プログラミングフレームワークの高速化
• Authors: Francisco Baeta, Jo\~ao Correia, Tiago Martins, Penousal Machado
• Abstract要約: 遺伝的プログラミング(GP)は、設計による計算コストの負担に悩まされていることが知られている。 本研究では,ベクトル化および反復的実装手法の性能と進化性を比較するために,一連のベンチマークを用いている。
• 参考スコア（独自算出の注目度）: 1.1470070927586016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Genetic Programming (GP) is known to suffer from the burden of being computationally expensive by design. While, over the years, many techniques have been developed to mitigate this issue, data vectorization, in particular, is arguably still the most attractive strategy due to the parallel nature of GP. In this work, we employ a series of benchmarks meant to compare both the performance and evolution capabilities of different vectorized and iterative implementation approaches across several existing frameworks. Namely, TensorGP, a novel open-source engine written in Python, is shown to greatly benefit from the TensorFlow library to accelerate the domain evaluation phase in GP. The presented performance benchmarks demonstrate that the TensorGP engine manages to pull ahead, with relative speedups above two orders of magnitude for problems with a higher number of fitness cases. Additionally, as a consequence of being able to compute larger domains, we argue that TensorGP performance gains aid the discovery of more accurate candidate solutions.
• Abstract（参考訳）: 遺伝的プログラミング(gp)は、設計によって計算コストがかかることで知られている。 長年にわたりこの問題を緩和するために多くの技術が開発されてきたが、特にデータベクトル化はGPの並列性のために依然として最も魅力的な戦略である。 本研究では,複数の既存フレームワークに対するベクター化および反復的な実装アプローチのパフォーマンスと進化能力を比較するために,一連のベンチマークを用いている。 すなわち、Pythonで書かれた新しいオープンソースエンジンであるTensorGPは、GPのドメイン評価フェーズを加速するためにTensorFlowライブラリから大きく恩恵を受けている。 提案した性能ベンチマークでは,適合性ケース数の多い問題に対して,テンソルGPエンジンが2桁以上の相対的なスピードアップを達成できることが示されている。 さらに、より大きなドメインを計算できる結果として、tensorgpのパフォーマンス向上は、より正確な候補ソリューションの発見に役立つと論じている。

関連論文リスト

• EvoGP: A GPU-accelerated Framework for Tree-based Genetic Programming [8.571010338499422]
  木に基づく遺伝的プログラミング(TGP)は、記号回帰、特徴工学、科学モデリングにおいて広く用いられている進化的アルゴリズムである。 これらの課題に対処するために、包括的なGPUアクセラレーションTGPフレームワークであるEvoGPを紹介する。 EvoGPは最先端のTGP実装よりも最大140.89倍の高速化を実現していることを示す。
  論文  参考訳（メタデータ） (2025-01-21T07:42:54Z)
• GPU-accelerated Evolutionary Multiobjective Optimization Using Tensorized RVEA [13.319536515278191]
  本稿では,GPUアクセラレーションの進歩を活用するために,大規模な進化的参照ベクトルガイドアルゴリズム(TensorRVEA)を提案する。 大規模集団と問題次元を含む数値ベンチマークテストでは、RVEAは一貫して高い計算性能を示し、1000ドル以上のスピードアップを達成している。
  論文  参考訳（メタデータ） (2024-04-01T15:04:24Z)
• AcceleratedLiNGAM: Learning Causal DAGs at the speed of GPUs [57.12929098407975]
  既存の因果探索法を効率的に並列化することにより,数千次元まで拡張可能であることを示す。 具体的には、DirectLiNGAMの因果順序付けサブプロデューサに着目し、GPUカーネルを実装して高速化する。 これにより、遺伝子介入による大規模遺伝子発現データに対する因果推論にDirectLiNGAMを適用することで、競争結果が得られる。
  論文  参考訳（メタデータ） (2024-03-06T15:06:11Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Fast Gaussian Process Posterior Mean Prediction via Local Cross Validation and Precomputation [0.0]
  我々はFastMuyGPと呼ばれる高速後部平均予測アルゴリズムを提案する。 MuyGPs のハイパーパラメータ推定アルゴリズムに基づいており、残余のクロスバリデーション、近隣のスパーシフィケーション、プリ計算の組み合わせを利用している。 ディープニューラルネットワークと最先端のGPアルゴリズムの両方に対して、精度と競合性、あるいは優れたランタイムを実現する。
  論文  参考訳（メタデータ） (2022-05-22T17:38:36Z)
• 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)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• TensorGP -- Genetic Programming Engine in TensorFlow [1.1470070927586016]
  遺伝的プログラミングにおける領域評価にデータベクトル化とフィットネスキャッシングを適用する利点について検討する。 当社のパフォーマンスベンチマークは、専用ハードウェア上で動作する並列アプローチで最大2桁のパフォーマンス向上を達成できることを示しています。
  論文  参考訳（メタデータ） (2021-03-12T20:19:37Z)
• Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
  サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。 本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。 本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T14:24:05Z)
• Near-linear Time Gaussian Process Optimization with Adaptive Batching and Resparsification [119.41129787351092]
  BBKBは非回帰GP最適化アルゴリズムで、ほぼ直線的に実行し、バッチで候補を選択する。 また,同じバウンダリを用いて,スパルスGP近似の更新コストを適応的に遅延させることで,ステップ毎の償却コストをほぼ一定に抑えることができることを示した。
  論文  参考訳（メタデータ） (2020-02-23T17:43:29Z)

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。