Fugu-MT 論文翻訳(概要): Multi Expression Programming for solving classification problems

論文の概要: Multi Expression Programming for solving classification problems

arxiv url: http://arxiv.org/abs/2203.13202v1
Date: Wed, 16 Mar 2022 13:11:50 GMT
ステータス: 処理完了
システム内更新日: 2023-02-21 22:52:25.944142
Title: Multi Expression Programming for solving classification problems
Title（参考訳）: 分類問題の解法のためのマルチ表現プログラミング
Authors: Mihai Oltean
Abstract要約: Multi Expression Programming (MEP) は、単一の染色体に複数のソリューションをエンコードする遺伝的プログラミングの亜種である。本稿では,MEPの染色体パラダイムごとのテキストマルチソリューションにおいて,バイナリとマルチクラスの分類問題を解くためのいくつかの戦略を紹介し,深く解説する。
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: Multi Expression Programming (MEP) is a Genetic Programming variant which encodes multiple solutions in a single chromosome. This paper introduces and deeply describes several strategies for solving binary and multi-class classification problems within the \textit{multi solutions per chromosome} paradigm of MEP. Extensive experiments on various classification problems are performed. MEP shows similar or better performances than other methods used for comparison (namely Artificial Neural Networks and Linear Genetic Programming).
Abstract（参考訳）: Multi Expression Programming (MEP) は、単一の染色体に複数のソリューションをエンコードする遺伝的プログラミングの亜種である。本稿では,MEP の \textit{multi solution per chromosome} パラダイムにおいて,バイナリおよびマルチクラス分類問題を解くためのいくつかの戦略を紹介し,深く解説する。様々な分類問題に関する大規模な実験を行う。 MEPは、比較に使われる他の方法(すなわち、ニューラルネットワークと線形遺伝的プログラミング)と類似またはより良いパフォーマンスを示す。

関連論文リスト

UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文参考訳（メタデータ） (2024-05-01T09:34:42Z)
Liquid State Genetic Programming [0.0]
本稿では,LSGP(Liquid State Genetic Programming)と呼ばれる新しい遺伝的プログラミング法を提案する。 LSGPは、入力(液体)を格納する動的メモリと、問題を解決するために使用される遺伝的プログラミング技術を組み合わせたハイブリッド手法である。数値実験により、LSGPは、検討されたテスト問題に対して、標準的な遺伝的プログラミングと同じような、時には同等に機能することが示された。
論文参考訳（メタデータ） (2023-12-05T17:09:21Z)
Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文参考訳（メタデータ） (2023-10-08T23:39:38Z)
Numerical Methods for Convex Multistage Stochastic Optimization [86.45244607927732]
最適化プログラミング(SP)、最適制御(SOC)、決定プロセス(MDP)に焦点を当てる。凸多段マルコフ問題の解決の最近の進歩は、動的プログラミング方程式のコスト対ゴー関数の切断面近似に基づいている。切削平面型法は多段階問題を多段階的に扱えるが、状態(決定)変数は比較的少ない。
論文参考訳（メタデータ） (2023-03-28T01:30:40Z)
Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文参考訳（メタデータ） (2022-10-23T16:15:36Z)
Improving the Search by Encoding Multiple Solutions in a Chromosome [0.0]
単一染色体における問題の複数の解を符号化する可能性について検討する。いくつかの利益を得るためには、染色体復号法は染色体内の1つの溶液の場合と同じ複雑さでなければならない。数値実験により、染色体内の複数の解の符号化は探索過程を大幅に改善することが示された。
論文参考訳（メタデータ） (2021-10-13T09:38:50Z)
Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文参考訳（メタデータ） (2021-10-09T00:00:16Z)
Multi Expression Programming -- an in-depth description [0.0]
MEP個人は複雑なコンピュータプログラムをコードする遺伝子の文字列である。ユニークなMEP機能は、問題の複数の解を単一の染色体に格納する能力である。
論文参考訳（メタデータ） (2021-09-29T01:57:18Z)
Evolving Digital Circuits for the Knapsack Problem [0.0]
マルチ表現プログラミング(Multi Expression Programming、MEP)は、線形染色体を用いた遺伝的プログラミングの亜種である。本稿では,NP-Complete問題,knapsack (subset sum)問題に対して,ディジタル回路の進化にマルチ表現プログラミングを用いる。
論文参考訳（メタデータ） (2021-08-21T15:48:50Z)
Adversarial Multi-Binary Neural Network for Multi-class Classification [19.298875915675502]
マルチタスクフレームワークを使用して、マルチクラス分類に対処する。我々は,クラス固有の特徴とクラスに依存しない特徴を識別するために,対人訓練を実践する。
論文参考訳（メタデータ） (2020-03-25T02:19:17Z)
GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal Black Box Constraint Satisfaction [69.94831587339539]
本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
論文参考訳（メタデータ） (2020-02-17T20:21:20Z)

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。