Fugu-MT 論文翻訳(概要): Hash-Based Tree Similarity and Simplification in Genetic Programming for Symbolic Regression

論文の概要: Hash-Based Tree Similarity and Simplification in Genetic Programming for Symbolic Regression

arxiv url: http://arxiv.org/abs/2107.10640v1
Date: Thu, 22 Jul 2021 13:22:06 GMT
ステータス: 処理完了
システム内更新日: 2021-07-23 15:22:40.296340
Title: Hash-Based Tree Similarity and Simplification in Genetic Programming for Symbolic Regression
Title（参考訳）: シンボリック回帰のための遺伝的プログラミングにおけるハッシュベース木類似性と単純化
Authors: Bogdan Burlacu, Lukas Kammerer, Michael Affenzeller, Gabriel Kronberger
Abstract要約: そこで本研究では,同型部分木同定のための実行時効率のよい木ハッシュアルゴリズムを提案する。シンボリック回帰ベンチマーク問題の集合に関する有望な結果を得た簡易な多様性保存機構を提案する。
参考スコア（独自算出の注目度）: 2.4087148947930634
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce in this paper a runtime-efficient tree hashing algorithm for the identification of isomorphic subtrees, with two important applications in genetic programming for symbolic regression: fast, online calculation of population diversity and algebraic simplification of symbolic expression trees. Based on this hashing approach, we propose a simple diversity-preservation mechanism with promising results on a collection of symbolic regression benchmark problems.
Abstract（参考訳）: 本稿では,同型部分木同定のための実行時効率のよい木ハッシュアルゴリズムを導入し,遺伝的プログラミングのシンボル回帰に対する2つの重要な応用として,集団の多様性の高速オンライン計算と記号表現木の代数的単純化について紹介する。このハッシュ手法に基づいて,シンボル回帰ベンチマーク問題の集合に関する有望な結果を得た簡易な多様性保存機構を提案する。

関連論文リスト

A Comparison of Recent Algorithms for Symbolic Regression to Genetic Programming [0.0]
シンボリック回帰は、科学者が理解できる方法でデータをモデル化し、マッピングすることを目的としている。最近の進歩は、これらの2つの分野のギャップを埋めようと試みている。
論文参考訳（メタデータ） (2024-06-05T19:01:43Z)
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)
GFN-SR: Symbolic Regression with Generative Flow Networks [0.9208007322096533]
近年,DSR(Deep symbolic regression)がこの分野の一般的な手法として登場している。ディープラーニングを用いてSRにアプローチするための代替フレームワーク(GFN-SR)を提案する。 GFN-SRは多種多様な最適表現を生成することができる。
論文参考訳（メタデータ） (2023-12-01T07:38:05Z)
An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-09-30T15:57:14Z)
Vector-Valued Least-Squares Regression under Output Regularity Assumptions [73.99064151691597]
最小二乗回帰問題を無限次元出力で解くために,還元ランク法を提案し,解析する。提案手法の学習バウンダリを導出し、フルランク手法と比較して統計的性能の設定を改善する研究を行う。
論文参考訳（メタデータ） (2022-11-16T15:07:00Z)
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)
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)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
Investigating the Scalability and Biological Plausibility of the Activation Relaxation Algorithm [62.997667081978825]
アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
論文参考訳（メタデータ） (2020-10-13T08:02:38Z)
Stochastic tree ensembles for regularized nonlinear regression [0.913755431537592]
本稿では,非線形回帰のための新しいツリーアンサンブル法を開発し,これをXBARTと呼ぶ。ベイズモデルからの正規化と探索戦略と計算効率のよい手法を組み合わせることで、新しい手法は最先端の性能を達成できる。
論文参考訳（メタデータ） (2020-02-09T14:37:02Z)

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。