論文の概要: Liquid State Genetic Programming

• arxiv url: http://arxiv.org/abs/2312.14942v1
• Date: Tue, 5 Dec 2023 17:09:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 13:01:02.843781
• Title: Liquid State Genetic Programming
• Title（参考訳）: 液体状態遺伝的プログラミング
• Authors: Mihai Oltean
• Abstract要約: 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。
• 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: A new Genetic Programming variant called Liquid State Genetic Programming (LSGP) is proposed in this paper. LSGP is a hybrid method combining a dynamic memory for storing the inputs (the liquid) and a Genetic Programming technique used for the problem solving part. Several numerical experiments with LSGP are performed by using several benchmarking problems. Numerical experiments show that LSGP performs similarly and sometimes even better than standard Genetic Programming for the considered test problems.
• Abstract（参考訳）: 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。 いくつかのベンチマーク問題を用いてLSGPを用いた数値実験を行った。 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等、時には同等に機能することが示された。

関連論文リスト

• Genetic Instruct: Scaling up Synthetic Generation of Coding Instructions for Large Language Models [54.51932175059004]
  本稿では,大規模言語モデルのコード生成能力を高めるために,合成命令を生成するスケーラブルな手法を提案する。 提案したアルゴリズムは進化過程を模倣し、自己インストラクションを利用して限られた数の種子から多数の合成サンプルを生成する。
  論文  参考訳（メタデータ） (2024-07-29T20:42:59Z)
• Nonparametric independence tests in high-dimensional settings, with applications to the genetics of complex disease [55.2480439325792]
  遺伝子データの支持空間における適切な事前測定構造の定義が,このような検査に新たなアプローチをもたらすことを示す。 各問題に対して、数学的結果、シミュレーションおよび実データへの適用を提供する。
  論文  参考訳（メタデータ） (2024-07-29T01:00:53Z)
• Evaluating Genetic Algorithms through the Approximability Hierarchy [55.938644481736446]
  本稿では,問題の近似クラスに依存する遺伝的アルゴリズムの有用性を解析する。 特に, 遺伝的アルゴリズムは階層の最も悲観的なクラスに特に有用であることを示す。
  論文  参考訳（メタデータ） (2024-02-01T09:18:34Z)
• Natural language processing for clusterization of genes according to their functions [62.997667081978825]
  本稿では,数千の遺伝子の解析を減らし,複数のクラスタの解析を行うアプローチを提案する。 これらの記述は、事前訓練された言語モデル(BERT)といくつかのテキスト処理アプローチを用いてベクトルとして符号化される。
  論文  参考訳（メタデータ） (2022-07-17T12:59:34Z)
• Multi Expression Programming for solving classification problems [0.0]
  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。
  論文  参考訳（メタデータ） (2022-03-16T13:11:50Z)
• 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)
• 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)
• Using Traceless Genetic Programming for Solving Multiobjective Optimization Problems [1.9493449206135294]
  トレーレス・ジェネティック・プログラミング(Traceless Genetic Programming、TGP)は、プログラム自体よりもプログラムの出力に焦点をあてる場合に使われる遺伝的プログラミング(GP)の変種である。 TGPと組み合わせて2つの遺伝子操作子(クロスオーバーと挿入)が使用される。 数値実験により、TGPは非常に高速かつ十分に検討されたテスト問題を解くことができることが示された。
  論文  参考訳（メタデータ） (2021-10-07T05:55:55Z)
• Solving even-parity problems using traceless genetic programming [0.0]
  TGPは、個人を構築するためのテクニックと、個人を表現するテクニックを組み合わせたハイブリッド技術である。 TGPと組み合わせて2つの遺伝子操作子(クロスオーバーと挿入)が使用される。 TGPは、均一性問題に対するデジタル回路の進化に応用される。
  論文  参考訳（メタデータ） (2021-10-04T13:23:32Z)
• 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)
• Ensemble Genetic Programming [0.0]
  Ensemble GPは、他の遺伝的プログラミングシステムと同じ手順に従っているが、集団構造、適合性評価、遺伝的演算子が異なる。 我々は,この手法を二項分類問題一式で検証し,より小さなモデルで,標準GPよりもはるかに優れた結果を得た。
  論文  参考訳（メタデータ） (2020-01-21T14:10:37Z)

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。