論文の概要: Probabilistic Structured Grammatical Evolution

• arxiv url: http://arxiv.org/abs/2205.10685v1
• Date: Sat, 21 May 2022 22:29:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-27 08:12:06.970311
• Title: Probabilistic Structured Grammatical Evolution
• Title（参考訳）: 確率的構造化文法進化
• Authors: Jessica M\'egane and Nuno Louren\c{c}o and Penousal Machado
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.5156484100374059
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The grammars used in grammar-based Genetic Programming (GP) methods have a significant impact on the quality of the solutions generated since they define the search space by restricting the solutions to its syntax. In this work, we propose Probabilistic Structured Grammatical Evolution (PSGE), a new approach that combines the Structured Grammatical Evolution (SGE) and Probabilistic Grammatical Evolution (PGE) representation variants and mapping mechanisms. The genotype is a set of dynamic lists, one for each non-terminal in the grammar, with each element of the list representing a probability used to select the next Probabilistic Context-Free Grammar (PCFG) derivation rule. PSGE statistically outperformed Grammatical Evolution (GE) on all six benchmark problems studied. In comparison to PGE, PSGE outperformed 4 of the 6 problems analyzed.
• Abstract（参考訳）: 文法に基づく遺伝的プログラミング(gp)法で用いられる文法は、その構文に解を制限することにより探索空間を定義するため、生成する解の品質に大きな影響を与える。 本研究では,確率的文法進化(Probabilistic Structured Grammatical Evolution, SGE)と確率的文法進化(Probabilistic Grammatical Evolution, PGE)の表現変異とマッピング機構を組み合わせた新しい手法を提案する。 ジェノタイプ(英: genotype)は、文法の各非終端に対して、次の確率的文脈自由文法(pcfg)の導出規則を選択する確率を表すリストの各要素を含む、動的リストのセットである。 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)を上回った。 PGEと比較してPSGEは分析した6つの問題のうち4つを上回った。

関連論文リスト

• 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)
• Compositional Program Generation for Few-Shot Systematic Generalization [59.57656559816271]
  コンポジションプログラムジェネレータ(CPG)と呼ばれるニューロシンボリックアーキテクチャに関する研究 CPGには3つの重要な特徴がある: 文法規則の形で、テキストモジュラリティ、テキストコンポジション、テキストタストラクションである。 SCAN と COGS のベンチマークでは,SCAN の14例と COGS の22例を使用して,完全な一般化を実現している。
  論文  参考訳（メタデータ） (2023-09-28T14:33:20Z)
• From the One, Judge of the Whole: Typed Entailment Graph Construction with Predicate Generation [69.91691115264132]
  Entailment Graphs (EG) は、自然言語における文脈に依存しないentailment関係を示すために構築される。 本稿では,この問題に対処する多段階型述語グラフ生成器(TP-EGG)を提案する。 ベンチマークデータセットの実験では、TP-EGGは高品質でスケール制御可能なエンターメントグラフを生成することができる。
  論文  参考訳（メタデータ） (2023-06-07T05:46:19Z)
• Context Matters: Adaptive Mutation for Grammars [2.3577368017815705]
  本研究では、構造化文法進化(SGE)のための自己適応突然変異法である適応ファシリテート変異を提案する。 提案した突然変異では、各個体は、各非末端に対して異なる自己適応突然変異率を持つ配列を含む。 SGEの変種である確率的構造文法進化(PSGE)を用いた3つのシンボリック回帰ベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2023-03-25T17:26:20Z)
• Co-evolutionary Probabilistic Structured Grammatical Evolution [0.5156484100374059]
  この研究は、共進化的確率的構造的文法進化(Co-PSGE)と呼ばれる構造的文法進化(SGE)の拡張を提案する。 Co-PSGEでは、集団内の各個人は、動的リストのリストである文法とジェノタイプによって構成される。 提案手法の性能は,4つの異なるベンチマーク問題に対して,文法的進化(GE),確率的文法的進化(PGE),SGEの3つの異なる手法と比較される。
  論文  参考訳（メタデータ） (2022-04-19T16:35:22Z)
• Initialisation and Grammar Design in Grammar-Guided Evolutionary Computation [0.0]
  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。
  論文  参考訳（メタデータ） (2022-04-15T10:15:40Z)
• Learning of Structurally Unambiguous Probabilistic Grammars [7.347989843033034]
  CMTAは確率文法に変換可能であることを示す。 学習したCMTAは、構造的に曖昧な確率論的文脈自由文法を学習するための完全なアルゴリズムに変換可能であることを示す。
  論文  参考訳（メタデータ） (2022-03-17T17:01:51Z)
• Grounded Graph Decoding Improves Compositional Generalization in Question Answering [68.72605660152101]
  質問応答モデルは、長いシーケンスやより複雑なテスト構造のようなトレーニングパターンの新しい構成に一般化するのに苦労する。 構造化された予測をアテンション機構でグラウンド化することで,言語表現の合成一般化を改善する手法であるグラウンドドグラフデコーディングを提案する。 本モデルは,質問応答における合成一般化の挑戦的ベンチマークである構成自由ベース質問(CFQ)データセットにおいて,最先端のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2021-11-05T17:50:14Z)
• A Syntax-Guided Grammatical Error Correction Model with Dependency Tree Correction [83.14159143179269]
  文法的誤り訂正(英: Grammatical Error Correction, GEC)は、文中の文法的誤りを検出し、訂正するタスクである。 本稿では,依存木の構文知識を利用するためのグラフアテンション機構を採用した構文誘導型GECモデル(SG-GEC)を提案する。 我々は、GECタスクの公開ベンチマークでモデルを評価し、競争結果を得る。
  論文  参考訳（メタデータ） (2021-11-05T07:07:48Z)
• 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)

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。