論文の概要: Initialisation and Grammar Design in Grammar-Guided Evolutionary Computation

• arxiv url: http://arxiv.org/abs/2204.07410v1
• Date: Fri, 15 Apr 2022 10:15:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-16 21:41:06.218715
• Title: Initialisation and Grammar Design in Grammar-Guided Evolutionary Computation
• Title（参考訳）: 文法誘導進化計算における初期化と文法設計
• Authors: Grant Dick and Peter A. Whigham
• Abstract要約: 遺伝的プログラミング(CFG-GP)はランダム検索やGEよりも初期化や文法設計に敏感でないことを示す。 また,CFG-GPによる測定結果の低さは,簡単なチューニングパラメータの調整によって管理されることを示した。
• 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: Grammars provide a convenient and powerful mechanism to define the space of possible solutions for a range of problems. However, when used in grammatical evolution (GE), great care must be taken in the design of a grammar to ensure that the polymorphic nature of the genotype-to-phenotype mapping does not impede search. Additionally, recent work has highlighted the importance of the initialisation method on GE's performance. While recent work has shed light on the matters of initialisation and grammar design with respect to GE, their impact on other methods, such as random search and context-free grammar genetic programming (CFG-GP), is largely unknown. This paper examines GE, random search and CFG-GP under a range of benchmark problems using several different initialisation routines and grammar designs. The results suggest that CFG-GP is less sensitive to initialisation and grammar design than both GE and random search: we also demonstrate that observed cases of poor performance by CFG-GP are managed through simple adjustment of tuning parameters. We conclude that CFG-GP is a strong base from which to conduct grammar-guided evolutionary search, and that future work should focus on understanding the parameter space of CFG-GP for better application.
• Abstract（参考訳）: 文法は、様々な問題の可能な解の空間を定義するための便利で強力なメカニズムを提供する。 しかし、文法進化(GE)において用いられる場合、ジェノタイプ-フェノタイプマッピングの多型性が探索を妨げないことを保証するため、文法の設計に大きな注意が必要である。 さらに、最近の研究はGEの性能に対する初期化手法の重要性を強調している。 最近の研究は、GEに関する初期化や文法設計の問題に光を当てているが、ランダム検索や文脈自由文法遺伝プログラミング(CFG-GP)など、他の手法に対する影響はほとんど分かっていない。 本稿では,GE,ランダム検索,CFG-GPを,いくつかの異なる初期化ルーチンと文法設計を用いたベンチマーク問題の下で検討する。 その結果,CFG-GPはGEやランダム検索よりも初期化や文法設計に敏感でないことが示唆された。 CFG-GPは文法誘導進化探索を行うための強力な基盤であり、今後の研究はCFG-GPのパラメータ空間の理解に焦点をあてるべきである。

関連論文リスト

• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• 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)
• Efficient and Scalable Fine-Tune of Language Models for Genome Understanding [49.606093223945734]
  textscLanguage prefix ftextscIne-tuning for textscGentextscOmes。 DNA基盤モデルとは異なり、textscLingoは自然言語基盤モデルの文脈的手がかりを戦略的に活用している。 textscLingoはさらに、適応的なランクサンプリング方法により、下流の細調整タスクを数多く許容する。
  論文  参考訳（メタデータ） (2024-02-12T21:40:45Z)
• Local Search, Semantics, and Genetic Programming: a Global Analysis [7.486818142115522]
  Geometric Semantic Geometric Programming (GSGP) は、遺伝的プログラミング(GP)の変種の一つである。 本稿では GSM-LS と GSGP-reg のオーバーフィッティングを制限する複数の可能性を探る。 その結果、トレーニングデータと見当たらないデータの両方において、標準GSGPを一貫して上回る結果が得られた。
  論文  参考訳（メタデータ） (2023-05-26T14:13:03Z)
• Physics of Language Models: Part 1, Learning Hierarchical Language Structures [51.68385617116854]
  トランスフォーマーベースの言語モデルは効率的だが複雑であり、内部動作を理解することは大きな課題である。 本稿では,長文を生成可能な階層規則を生成する合成CFGのファミリーを紹介する。 我々は、GPTのような生成モデルがこのCFG言語を正確に学習し、それに基づいて文を生成することを実証する。
  論文  参考訳（メタデータ） (2023-05-23T04:28:16Z)
• Adaptive Fine-Grained Predicates Learning for Scene Graph Generation [122.4588401267544]
  一般的なシーングラフ生成(SGG)モデルは、頭部の述語を予測する傾向があり、再バランス戦略は尾のカテゴリを好む。 本稿では,SGGの難解な述語を識別することを目的とした適応的微粒述語学習(FGPL-A)を提案する。 提案したモデル非依存戦略は,VG-SGGおよびGQA-SGGデータセットのベンチマークモデルの性能を最大175%,Mean Recall@100では76%向上させ,新たな最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-11T03:37:57Z)
• Probabilistic Structured Grammatical Evolution [0.5156484100374059]
  確率的構造文法進化(PSGE)を提案する。 PSGEは構造化文法進化 (Structured Grammatical Evolution, SGE) と確率文法進化 (Probabilistic Grammatical Evolution, PGE) 表現の変種とマッピング機構を組み合わせたものである。 PSGEは、調査された6つのベンチマーク問題すべてにおいて、統計的に文法的進化(GE)より優れていた。
  論文  参考訳（メタデータ） (2022-05-21T22:29:10Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Probabilistic Grammatical Evolution [0.6445605125467573]
  PGE(Probabilistic Grammatical Evolution)を提案し、主要な問題のいくつかに取り組み、そのパフォーマンスを改善します。 確率論的文脈自由文法(PCFG)を用いて、その確率は進化過程において適応される。 2つの回帰問題における PGE の性能を評価し, GE および Structured Grammatical Evolution (SGE) と比較した。
  論文  参考訳（メタデータ） (2021-03-15T13:54:26Z)
• Learning Parametrised Graph Shift Operators [16.89638650246974]
  ネットワークデータは暗黙的または明示的に、常にグラフシフト演算子(GSO)を使って表現される PGSOは、最先端のGNNアーキテクチャで使用される標準GSOの代替として提案されている。 ノード分類タスクとグラフ分類タスクの両方にPGSOを組み込むことにより、最先端のGNNアーキテクチャの精度が向上する。
  論文  参考訳（メタデータ） (2021-01-25T13:01:26Z)

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。