論文の概要: Racing Control Variable Genetic Programming for Symbolic Regression
- arxiv url: http://arxiv.org/abs/2309.07934v1
- Date: Wed, 13 Sep 2023 21:38:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-18 17:14:26.243045
- Title: Racing Control Variable Genetic Programming for Symbolic Regression
- Title（参考訳）: シンボリック回帰のためのレース制御可変遺伝的プログラミング
- Authors: Nan Jiang, Yexiang Xue
- Abstract要約: シンボリックレグレッションは、科学におけるAIにおいて最も重要なタスクの1つだ。
本稿では,複数の実験スケジュールを同時に実施するレーシング制御可変遺伝的プログラミング(Racing-CVGP)を提案する。
遺伝的プログラミングプロセスにおいて、優れた記号方程式を選択する際に用いられるような選択方式が実装され、有望な実験スケジュールが最終的に平均よりも勝つことが保証される。
- 参考スコア（独自算出の注目度）: 22.101494818629963
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symbolic regression, as one of the most crucial tasks in AI for science,
discovers governing equations from experimental data. Popular approaches based
on genetic programming, Monte Carlo tree search, or deep reinforcement learning
learn symbolic regression from a fixed dataset. They require massive datasets
and long training time especially when learning complex equations involving
many variables. Recently, Control Variable Genetic Programming (CVGP) has been
introduced which accelerates the regression process by discovering equations
from designed control variable experiments. However, the set of experiments is
fixed a-priori in CVGP and we observe that sub-optimal selection of experiment
schedules delay the discovery process significantly. To overcome this
limitation, we propose Racing Control Variable Genetic Programming
(Racing-CVGP), which carries out multiple experiment schedules simultaneously.
A selection scheme similar to that used in selecting good symbolic equations in
the genetic programming process is implemented to ensure that promising
experiment schedules eventually win over the average ones. The unfavorable
schedules are terminated early to save time for the promising ones. We evaluate
Racing-CVGP on several synthetic and real-world datasets corresponding to true
physics laws. We demonstrate that Racing-CVGP outperforms CVGP and a series of
symbolic regressors which discover equations from fixed datasets.
- Abstract（参考訳）: シンボリック回帰は、科学のためのAIにおいて最も重要なタスクの1つであり、実験データから支配方程式を発見する。
遺伝的プログラミング、モンテカルロ木探索、深層強化学習に基づく一般的なアプローチは、固定データセットから記号回帰を学ぶ。
多くの変数を含む複雑な方程式を学ぶには、大量のデータセットと長いトレーニング時間が必要です。
近年,制御変数計画法 (CVGP) を導入し, 設計した制御変数実験から方程式を発見し, 回帰過程を高速化している。
しかし,実験セットはcvgpでa-prioriが固定されており,実験スケジュールの最適選択が発見過程を著しく遅らせることを観察した。
この制限を克服するために、複数の実験スケジュールを同時に実行するレーシング制御可変遺伝的プログラミング(Racing-CVGP)を提案する。
遺伝的プログラミングプロセスにおいて優れた記号方程式を選択する際に用いられるような選択方式が実装され、有望な実験スケジュールが最終的に平均よりも勝つことが保証される。
好ましくないスケジュールは、有望なスケジュールの時間を節約するために早期に終了する。
真の物理法則に対応するいくつかの合成および実世界のデータセットにおいて、レーシングcvgpを評価する。
racing-cvgpは、固定データセットから方程式を発見できるcvgpおよび一連のシンボリックレグレッセプタよりも優れていることを実証する。
関連論文リスト
- Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。
提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。
ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文 参考訳（メタデータ） (2024-09-12T11:50:06Z) - Deep Generative Symbolic Regression with Monte-Carlo-Tree-Search [29.392036559507755]
記号回帰は数値データから記号表現を学習する問題である。
手続き的に生成した合成データセットに基づいてトレーニングされたディープニューラルモデルは、競合性能を示した。
そこで本研究では,モンテカルロ木探索手法に基づいて,両世界の長所を提供する新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-22T09:10:20Z) - Fast variable selection makes scalable Gaussian process BSS-ANOVA a
speedy and accurate choice for tabular and time series regression [0.0]
ガウス過程 (GP) は長い歴史を持つ非パラメトリック回帰エンジンである。
拡張性のあるGPアプローチの1つは、2009年に開発されたKL(Karhunen-Lo'eve)分解カーネルBSS-ANOVAである。
項の数を迅速かつ効果的に制限し、競争力のある精度の方法をもたらす新しい変数選択法である。
論文 参考訳（メタデータ） (2022-05-26T23:41:43Z) - Taylor Genetic Programming for Symbolic Regression [5.371028373792346]
遺伝的プログラミング(GP)は、記号回帰(SR)問題を解決するために一般的に用いられる手法である。
そこで我々はTaylorGP (Taylor Genetic Programming) を提案し,データセットに適合するシンボリック方程式を近似する。
TaylorGPは9つのベースライン法よりも精度が高いだけでなく、安定した結果を見つけるのにも速い。
論文 参考訳（メタデータ） (2022-04-28T13:43:39Z) - 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) - SignalGP-Lite: Event Driven Genetic Programming Library for Large-Scale
Artificial Life Applications [62.997667081978825]
イベント駆動型遺伝的プログラミング表現は、相互作用集約問題における従来の命令的表現よりも優れていることが示されている。
イベント駆動型アプローチは、環境信号に応答してトリガーされるモジュールにゲノムコンテンツを整理する。
SignalGPライブラリは、従来のプログラム合成アプリケーションに対応している。
論文 参考訳（メタデータ） (2021-08-01T07:20:49Z) - Deep Transformer Networks for Time Series Classification: The NPP Safety
Case [59.20947681019466]
時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。
トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
論文 参考訳（メタデータ） (2021-04-09T14:26:25Z) - Zoetrope Genetic Programming for Regression [2.642406403099596]
Zoetrope Genetic Programming (ZGP)アルゴリズムは、数学的表現のオリジナルの表現に基づいている。
ZGPは多数のパブリックドメイン回帰データセットを使用して検証される。
論文 参考訳（メタデータ） (2021-02-26T10:47:10Z) - Robust Gaussian Process Regression Based on Iterative Trimming [6.912744078749024]
本稿では、最も極端なデータポイントを反復的にトリムする、新しい頑健なGP回帰アルゴリズムを提案する。
極端または豊富な外れ値が存在する場合でも、汚染されたデータのモデル精度を大幅に向上させることができる。
天体物理学的な研究の実践例として、星団の色-マグニチュード図の主系列尾根線を正確に決定できることが示されている。
論文 参考訳（メタデータ） (2020-11-22T16:43:35Z)
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。