論文の概要: Complexity Measures for Multi-objective Symbolic Regression

• arxiv url: http://arxiv.org/abs/2109.00238v1
• Date: Wed, 1 Sep 2021 08:22:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-02 14:07:22.093680
• Title: Complexity Measures for Multi-objective Symbolic Regression
• Title（参考訳）: 多目的シンボリック回帰の複雑さ対策
• Authors: Michael Kommenda, Andreas Beham, Michael Affenzeller, Gabriel Kronberger
• Abstract要約: 多目的的シンボリック回帰は、学習したモデルの精度が最大化される一方で、その複雑さが自動的に適応されるという利点がある。 NSGA-IIを用いて多目的最適化を行う場合, シンボリック回帰においてどの複雑性尺度が最適に使用されるかを検討する。
• 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: Multi-objective symbolic regression has the advantage that while the accuracy of the learned models is maximized, the complexity is automatically adapted and need not be specified a-priori. The result of the optimization is not a single solution anymore, but a whole Pareto-front describing the trade-off between accuracy and complexity. In this contribution we study which complexity measures are most appropriately used in symbolic regression when performing multi- objective optimization with NSGA-II. Furthermore, we present a novel complexity measure that includes semantic information based on the function symbols occurring in the models and test its effects on several benchmark datasets. Results comparing multiple complexity measures are presented in terms of the achieved accuracy and model length to illustrate how the search direction of the algorithm is affected.
• Abstract（参考訳）: 多目的記号回帰(multi-objective symbolic regression)は、学習モデルの精度は最大化されるが、複雑性は自動的に適応され、a-prioriを指定する必要はないという利点を持つ。 最適化の結果はもはや単一のソリューションではなく、精度と複雑性のトレードオフを記述するパレートフロント全体である。 本稿では,NSGA-IIを用いて多目的最適化を行う場合,どの複雑性尺度がシンボル回帰に最も適当かを検討する。 さらに,モデルに現れる関数記号に基づく意味情報を含む新しい複雑性尺度を提案し,いくつかのベンチマークデータセットにその影響をテストする。 アルゴリズムの探索方向がどう影響するかを示すために、達成された精度とモデル長の観点から、複数の複雑性尺度を比較する結果を示す。

関連論文リスト

• GLCM-Based Feature Combination for Extraction Model Optimization in Object Detection Using Machine Learning [0.0]
  本研究の目的は,GLCMフレームワーク内で適切な特徴を選択することにより,計算効率を向上させることである。 K-Nearest Neighbours(K-NN)とSVM(Support Vector Machine)の2つの分類モデルが採用された。 その結果,K-NNは計算複雑性の点でSVMよりも優れていた。
  論文  参考訳（メタデータ） (2024-04-06T10:16:33Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• Surrogate Models for Optimization of Dynamical Systems [0.0]
  本稿では,低次元サロゲートモデルを構築するためのスマートデータ駆動機構を提供する。 これらの代理モデルは、複雑な最適化問題の解の計算時間を短縮する。
  論文  参考訳（メタデータ） (2021-01-22T14:09:30Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Online Model Selection for Reinforcement Learning with Function Approximation [50.008542459050155]
  我々は、$tildeO(L5/6 T2/3)$ regretで最適な複雑性に適応するメタアルゴリズムを提案する。 また、メタアルゴリズムは、インスタンス依存の後悔境界を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-11-19T10:00:54Z)
• Efficient and Sparse Neural Networks by Pruning Weights in a Multiobjective Learning Approach [0.0]
  本稿では、予測精度とネットワーク複雑性を2つの個別目的関数として扱うことにより、ニューラルネットワークのトレーニングに関する多目的視点を提案する。 模範的畳み込みニューラルネットワークの予備的な数値結果から、ニューラルネットワークの複雑性の大幅な低減と精度の低下が可能であることが確認された。
  論文  参考訳（メタデータ） (2020-08-31T13:28:03Z)
• NeuMiss networks: differentiable programming for supervised learning with missing values [0.0]
  線形性仮定の下で最適予測器の解析形式を導出する。 我々はNeuMissネットワークという新しい原則アーキテクチャを提案する。 パラメータの数と、欠落したデータパターンの数に依存しない計算複雑性の両方で、予測精度が良い。
  論文  参考訳（メタデータ） (2020-07-03T11:42:25Z)
• Efficient Characterization of Dynamic Response Variation Using Multi-Fidelity Data Fusion through Composite Neural Network [9.446974144044733]
  構造力学解析における多レベル応答予測の機会を利用する。 得られた多レベル異種データセットを完全に活用できる複合ニューラルネットワーク融合手法を定式化する。
  論文  参考訳（メタデータ） (2020-05-07T02:44:03Z)

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。