論文の概要: Evolvability Degeneration in Multi-Objective Genetic Programming for Symbolic Regression

• arxiv url: http://arxiv.org/abs/2202.06983v2
• Date: Wed, 16 Feb 2022 09:12:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-25 20:49:16.470991
• Title: Evolvability Degeneration in Multi-Objective Genetic Programming for Symbolic Regression
• Title（参考訳）: シンボリック回帰のための多目的遺伝的プログラミングにおける進化可能性の劣化
• Authors: Dazhuang Liu, Marco Virgolin, Tanja Alderliesten, Peter A. N. Bosman
• Abstract要約: 初期の世代では、複雑さの低いモデルが過剰に複製され、人口の大半を乗っ取っている。 我々はNSGA-IIを拡張し、時間とともに、異なるレベルの複雑さのモデルの進化可能性を追跡する。 evoNSGA-IIは意図したように振る舞う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Genetic programming (GP) is one of the best approaches today to discover symbolic regression models. To find models that trade off accuracy and complexity, the non-dominated sorting genetic algorithm II (NSGA-II) is widely used. Unfortunately, it has been shown that NSGA-II can be inefficient: in early generations, low-complexity models over-replicate and take over most of the population. Consequently, studies have proposed different approaches to promote diversity. Here, we study the root of this problem, in order to design a superior approach. We find that the over-replication of low complexity-models is due to a lack of evolvability, i.e., the inability to produce offspring with improved accuracy. We therefore extend NSGA-II to track, over time, the evolvability of models of different levels of complexity. With this information, we limit how many models of each complexity level are allowed to survive the generation. We compare this new version of NSGA-II, evoNSGA-II, with the use of seven existing multi-objective GP approaches on ten widely-used data sets, and find that evoNSGA-II is equal or superior to using these approaches in almost all comparisons. Furthermore, our results confirm that evoNSGA-II behaves as intended: models that are more evolvable form the majority of the population.
• Abstract（参考訳）: 遺伝的プログラミング(GP)は、今日、象徴的回帰モデルを発見するための最良のアプローチの1つである。 精度と複雑性をトレードオフするモデルを見つけるために、非支配的ソート遺伝的アルゴリズムII(NSGA-II)が広く使われている。 残念なことに、NSGA-IIは非効率であることが示されており、初期の世代では低複雑さのモデルが過剰に複製され、人口の大半を乗っ取っている。 その結果、研究は多様性を促進するための異なるアプローチを提案している。 ここでは,この問題の根源を,優れたアプローチを設計するために検討する。 低複雑性モデルの重複は、進化可能性の欠如、すなわち、精度を向上して子孫を産出できないことによるものである。 したがって、NSGA-IIは時間とともに、異なるレベルの複雑さのモデルの進化可能性を追跡するために拡張される。 この情報により、各複雑性レベルのモデルが生成を生き残ることができるかを制限する。 NSGA-II の新バージョンである evoNSGA-II と,既存の 10 個の広く使用されているデータセットに 7 個の多目的GP アプローチを適用することで,evoNSGA-II がほぼ全ての比較においてこれらの手法と等しいか優れていることがわかった。 さらに,エボNSGA-IIは,人口の多数を占めるより進化可能なモデルであることも確認した。

関連論文リスト

• HG-Adapter: Improving Pre-Trained Heterogeneous Graph Neural Networks with Dual Adapters [53.97380482341493]
  事前学習, 即時学習」は, 事前学習したヘテロジニアスグラフニューラルネットワーク(HGNN)のチューニング性能を示す。 本稿では、2つの新しいアダプタと潜在的ラベル付きデータ拡張を組み合わせた統合フレームワークを提案し、事前学習されたHGNNモデルの一般化を改善する。
  論文  参考訳（メタデータ） (2024-11-02T06:43:54Z)
• Generative AI Enabled Matching for 6G Multiple Access [51.00960374545361]
  我々は6G多重アクセスをサポートするGenAI対応マッチング生成フレームワークを提案する。 我々のフレームワークは、与えられた条件と事前定義された報酬に基づいて、より効果的なマッチング戦略を生成することができることを示す。
  論文  参考訳（メタデータ） (2024-10-29T13:01:26Z)
• dnaGrinder: a lightweight and high-capacity genomic foundation model [11.646351318648499]
  現在のゲノム基盤モデルは、しばしば重要なトレードオフに直面している。 我々は、ユニークで効率的なゲノム基盤モデルであるdnaGrinderを紹介する。 dnaGrinderはゲノム配列内の長距離依存関係を管理するのに優れ、性能を損なうことなく計算コストを最小化できる。
  論文  参考訳（メタデータ） (2024-09-24T03:20:07Z)
• 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)
• First-order PDES for Graph Neural Networks: Advection And Burgers Equation Models [1.4174475093445238]
  本稿では,2つの一階偏微分方程式(PDE)を組み込んだ新しいグラフニューラルネットワークモデルを提案する。 実験結果から,高次PDEモデルと同等の結果を得るための新しいPDEモデルの能力を強調し,最大64層までのオーバースムーシング問題を修正した。 結果は,GNNの適応性と汎用性を強調し,従来の手法と同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-04-03T21:47:02Z)
• Cancer-inspired Genomics Mapper Model for the Generation of Synthetic DNA Sequences with Desired Genomics Signatures [0.0]
  がんに触発されたゲノムマッパーモデル(CGMM)は、遺伝的アルゴリズム(GA)とディープラーニング(DL)の手法を組み合わせたものである。 我々はCGMMが、祖先や癌などの選択された表現型の合成ゲノムを生成できることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T07:16:40Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Shape-constrained Symbolic Regression with NSGA-III [0.0]
  形状制約付き記号回帰(SCSR)は、事前知識をデータベースモデリングに組み込むことができる。 本稿では,近似誤差を最小化し,制約違反を最小化するための準線形手法を提案する。 2つのアルゴリズム NSGA-II と NSGA-III が実装され、モデル品質と実行時間で比較される。
  論文  参考訳（メタデータ） (2022-09-28T06:10:34Z)
• Multi-objective Test Case Selection Through Linkage Learning-based Crossover [15.460234259709646]
  本稿では,L2-NSGAと呼ばれる新しいNSGA-IIを提案する。 特に、教師なしクラスタリングアルゴリズムを用いて、ソリューション間の有望なパターンを推測する。 その結果,NSGA-IIのカスタマイズにより,テストケース選択に有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-18T14:11:49Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)

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。