論文の概要: Functional Code Building Genetic Programming

• arxiv url: http://arxiv.org/abs/2206.04561v1
• Date: Thu, 9 Jun 2022 15:22:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-10 15:24:49.927610
• Title: Functional Code Building Genetic Programming
• Title（参考訳）: 遺伝的プログラミングを構築する関数型コード
• Authors: Edward Pantridge, Thomas Helmuth, Lee Spector
• Abstract要約: Code Building Genetic Programming (CBGP)は、最近導入された汎用プログラム合成のためのGP法である。 関数型プログラミング言語とHendley-Milner型システムは,型安全性プログラムの進化に有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: General program synthesis has become an important application area for genetic programming (GP), and for artificial intelligence more generally. Code Building Genetic Programming (CBGP) is a recently introduced GP method for general program synthesis that leverages reflection and first class specifications to support the evolution of programs that may use arbitrary data types, polymorphism, and functions drawn from existing codebases. However, neither a formal description nor a thorough benchmarking of CBGP have yet been reported. In this work, we formalize the method of CBGP using algorithms from type theory. Specially, we show that a functional programming language and a Hindley-Milner type system can be used to evolve type-safe programs using the process abstractly described in the original CBGP paper. Furthermore, we perform a comprehensive analysis of the search performance of this functional variant of CBGP compared to other contemporary GP program synthesis methods.
• Abstract（参考訳）: 一般的なプログラム合成は、遺伝的プログラミング(gp)や人工知能のより一般的な応用分野となっている。 Code Building Genetic Programming (CBGP)は、リフレクションとファーストクラス仕様を利用して既存のコードベースから引き出された任意のデータ型、多型、関数を使用するプログラムの進化をサポートする汎用プログラム合成のための最近導入されたGPメソッドである。 しかし、正式な記述やCBGPの徹底的なベンチマークは報告されていない。 本研究では,型理論のアルゴリズムを用いてCBGPの手法を定式化する。 特に、関数型プログラミング言語とヒンドレー・ミルナー型システムは、オリジナルのcbgp論文で抽象的に記述されたプロセスを用いて、タイプセーフなプログラムを進化させるのに使用できることを示す。 さらに,同時代のgpプログラム合成法と比較して,cbgpの機能的特徴の探索性能の包括的解析を行った。

関連論文リスト

• Parallel Strategies for Best-First Generalized Planning [51.713634067802104]
  汎用計画(GP)は、複数の古典的な計画インスタンスを解くことができるアルゴリズムのようなソリューションの自動合成を研究するAIの研究分野である。 現在の進歩の1つはBest-First Generalized Planning (BFGP) の導入である。 本稿では,並列探索手法をBFGPに適用し,性能ギャップを埋める上で重要な要素であることを示す。
  論文  参考訳（メタデータ） (2024-07-31T09:50:22Z)
• Solving Novel Program Synthesis Problems with Genetic Programming using Parametric Polymorphism [0.0]
  Code-build Genetic Programming (CBGP) は、スタックベースのコンパイルと形式型システムを用いて、線形ゲノムからタイプセーフなプログラムをコンパイルする。 CBGPは、これらの性質の全てで問題を解くことができ、そこでは、我々が知っている他のすべてのGP系が、これらの性質の問題を考慮できないような制限を持っている。
  論文  参考訳（メタデータ） (2023-06-08T00:10:07Z)
• HOTGP -- Higher-Order Typed Genetic Programming [0.0]
  HOTGPは純粋、型付き、機能プログラムを合成する新しい遺伝的アルゴリズムである。 この文法はHaskellの標準ベースライブラリに基づいている。
  論文  参考訳（メタデータ） (2023-04-06T16:23:34Z)
• Weighted Ensembles for Active Learning with Adaptivity [60.84896785303314]
  本稿では,ラベル付きデータに漸進的に適応した重み付きGPモデルのアンサンブルについて述べる。 この新しいEGPモデルに基づいて、不確実性および不一致ルールに基づいて、一連の取得関数が出現する。 適応的に重み付けされたEGPベースの取得関数のアンサンブルも、さらなる性能向上のために導入されている。
  論文  参考訳（メタデータ） (2022-06-10T11:48:49Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Scaling Gaussian Process Optimization by Evaluating a Few Unique Candidates Multiple Times [119.41129787351092]
  GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。 GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
  論文  参考訳（メタデータ） (2022-01-30T20:42:14Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• 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)
• Solving classification problems using Traceless Genetic Programming [0.0]
  トレースレス遺伝的プログラミング(TGP)は、現実の難解な問題を解くために用いられる新しい遺伝的プログラミング(GP)である。 本稿では, ProBEN1 から抽出した実世界の分類問題の解法として TGP を用いる。
  論文  参考訳（メタデータ） (2021-10-07T06:13:07Z)
• GSGP-CUDA -- a CUDA framework for Geometric Semantic Genetic Programming [2.275405513780208]
  Geometric Semantic Genetic Programming (GSGP) は進化計算に基づく最先端の機械学習手法である。 C++におけるGSGPの効率的な実装は、この事実を悪用するが、その潜在能力は十分ではない。 結果は、最先端のシーケンシャル実装と比較して1000倍以上のスピードアップを示す。
  論文  参考訳（メタデータ） (2021-06-08T00:58:39Z)
• Code Building Genetic Programming [0.0]
  我々は、コード構築遺伝プログラミング(CBGP)を、これを実現するためのフレームワークとして紹介する。 CBGPは、ホスト言語のソースコードに実行または変換できる計算グラフを生成する。
  論文  参考訳（メタデータ） (2020-08-09T04:33:04Z)

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。