論文の概要: Cluster Analysis of a Symbolic Regression Search Space

• arxiv url: http://arxiv.org/abs/2109.13898v1
• Date: Tue, 28 Sep 2021 17:50:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 14:41:23.272210
• Title: Cluster Analysis of a Symbolic Regression Search Space
• Title（参考訳）: 記号回帰探索空間のクラスター解析
• Authors: Gabriel Kronberger, Lukas Kammerer, Bogdan Burlacu, Stephan M. Winkler, Michael Kommenda, Michael Affenzeller
• Abstract要約: 探索空間における遺伝的プログラミングによって生成される記号的回帰モデルの分布について、より詳しく検討する。 我々は、表現型と遺伝子型類似性に基づいて、ユニークなモデルを特定し、それらをクラスタリングする。 GPが訪れた解候補を列挙した探索空間にマッピングすることで、GPは最初は全探索空間を探索し、後に最高品質表現の部分空間に収束する。
• 参考スコア（独自算出の注目度）: 2.055204980188575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this chapter we take a closer look at the distribution of symbolic regression models generated by genetic programming in the search space. The motivation for this work is to improve the search for well-fitting symbolic regression models by using information about the similarity of models that can be precomputed independently from the target function. For our analysis, we use a restricted grammar for uni-variate symbolic regression models and generate all possible models up to a fixed length limit. We identify unique models and cluster them based on phenotypic as well as genotypic similarity. We find that phenotypic similarity leads to well-defined clusters while genotypic similarity does not produce a clear clustering. By mapping solution candidates visited by GP to the enumerated search space we find that GP initially explores the whole search space and later converges to the subspace of highest quality expressions in a run for a simple benchmark problem.
• Abstract（参考訳）: 本章では,探索空間における遺伝的プログラミングによって生成される記号回帰モデルの分布について考察する。 この研究の動機は、対象関数から独立して計算できるモデルの類似性に関する情報を用いて、うまく適合した回帰モデルの探索を改善することである。 解析のために、一変量記号回帰モデルに制限付き文法を使用し、可能なすべてのモデルを固定長制限まで生成する。 特異なモデルを特定し,表現型と遺伝的類似性に基づいて分類する。 表現型類似性はよく定義されたクラスターにつながり、遺伝子型類似性は明確なクラスタリングを生じない。 GPが訪れた解候補を列挙した検索空間にマッピングすることで、GPは最初は検索空間全体を探索し、その後、単純なベンチマーク問題に対して最高品質の式の部分空間に収束する。

関連論文リスト

• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• Exploration of the search space of Gaussian graphical models for paired data [0.0]
  我々は、ペアデータ問題に特有な色付きガウス図形モデル群に焦点をあてる。 双対順序と呼ばれるモデル間の新しい順序を導入する。 この順序に埋め込まれたモデル空間は、モデル包含格子とは異なり、分配的な格子であることを示す。
  論文  参考訳（メタデータ） (2023-03-09T19:58:13Z)
• Scalable mixed-domain Gaussian process modeling and model reduction for longitudinal data [5.00301731167245]
  混合領域共分散関数に対する基底関数近似スキームを導出する。 我々は,GPモデルの精度をランタイムのごく一部で正確に近似できることを示す。 また、より小さく、より解釈可能なモデルを得るためのスケーラブルなモデルリダクションワークフローを実証する。
  論文  参考訳（メタデータ） (2021-11-03T04:47:37Z)
• Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
  相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。 本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
  論文  参考訳（メタデータ） (2021-08-10T14:46:17Z)
• T-LoHo: A Bayesian Regularization Model for Structured Sparsity and Smoothness on Graphs [0.0]
  グラフ構造化データでは、構造化されたスパーシリティと滑らかさが団結する傾向にある。 グラフィカルな関係を持つ高次元パラメータに先立って提案する。 構造された空間と滑らかさを同時に検出するために使用します。
  論文  参考訳（メタデータ） (2021-07-06T10:10:03Z)
• Boolean Reasoning-Based Biclustering for Shifting Pattern Extraction [0.20305676256390928]
  Biclusteringは、さまざまな種類の関心のあるパターンの品質を測定する機能によって駆動されるため、データ内のパターンを検索するための強力なアプローチです。 シフトパターンはデータの変動が一定であるので、特に興味深い。 この研究は、ブール推論によるシフトパターンの誘導は、すべての包含-最大デルタシフトパターンを見つける能力によるものであることを示す。
  論文  参考訳（メタデータ） (2021-04-26T11:40:17Z)
• Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
  本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。 複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。 これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
  論文  参考訳（メタデータ） (2021-03-25T14:35:07Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Blocked Clusterwise Regression [0.0]
  我々は、各ユニットが複数の潜伏変数を持つことを可能にすることで、離散的非観測的不均一性に対する以前のアプローチを一般化する。 我々は,クラスタの過剰な数のクラスタリングの理論に寄与し,この設定に対する新たな収束率を導出する。
  論文  参考訳（メタデータ） (2020-01-29T23:29:31Z)

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。