論文の概要: Improving the efficiency of GP-GOMEA for higher-arity operators
- arxiv url: http://arxiv.org/abs/2402.09854v1
- Date: Thu, 15 Feb 2024 10:20:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 16:02:40.469337
- Title: Improving the efficiency of GP-GOMEA for higher-arity operators
- Title（参考訳）: 高次演算子のためのGP-GOMEAの効率向上
- Authors: Thalea Schlender, Mafalda Malafaia, Tanja Alderliesten, Peter A.N.
Bosman
- Abstract要約: 遺伝的プログラミング(GP)は、本質的に解釈可能な表現を進化させる方法を提供する。
GP-GOMEA (GP-GOMEA) はGPの1形態であり、サイズが制限されていないが正確な表現の進化に特に有効であることが見出され、解釈可能性の向上に寄与している。
本稿では,GP-GOMEAの2つの機能拡張について提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deploying machine learning models into sensitive domains in our society
requires these models to be explainable. Genetic Programming (GP) can offer a
way to evolve inherently interpretable expressions. GP-GOMEA is a form of GP
that has been found particularly effective at evolving expressions that are
accurate yet of limited size and, thus, promote interpretability. Despite this
strength, a limitation of GP-GOMEA is template-based. This negatively affects
its scalability regarding the arity of operators that can be used, since with
increasing operator arity, an increasingly large part of the template tends to
go unused. In this paper, we therefore propose two enhancements to GP-GOMEA:
(i) semantic subtree inheritance, which performs additional variation steps
that consider the semantic context of a subtree, and (ii) greedy child
selection, which explicitly considers parts of the template that in standard
GP-GOMEA remain unused. We compare different versions of GP-GOMEA regarding
search enhancements on a set of continuous and discontinuous regression
problems, with varying tree depths and operator sets. Experimental results show
that both proposed search enhancements have a generally positive impact on the
performance of GP-GOMEA, especially when the set of operators to choose from is
large and contains higher-arity operators.
- Abstract（参考訳）: 機械学習モデルを社会のセンシティブなドメインにデプロイするには、これらのモデルを説明する必要があります。
遺伝的プログラミング(GP)は、本質的に解釈可能な表現を進化させる方法を提供する。
GP-GOMEA (GP-GOMEA) はGPの1形態であり、サイズが制限されていないが正確な表現の進化に特に有効である。
この強度にもかかわらず、GP-GOMEAの制限はテンプレートベースである。
これは、オペレータのアーティが増大するにつれて、テンプレートの大部分が使われなくなる傾向があるため、使用可能なオペレータのアーティに関するスケーラビリティに悪影響を及ぼす。
本稿ではGP-GOMEAの2つの拡張を提案する。
i) サブツリーの意味的コンテキストを考慮した追加の変動ステップを実行するセマンティックサブツリー継承
(ii)標準GP-GOMEAのテンプレートの一部が未使用であることを明示的に考慮した欲求子選択。
GP-GOMEAの連続的および不連続な回帰問題に対する探索強化について,木深さや演算子集合の異なるバージョンを比較した。
実験結果から,提案手法がGP-GOMEAの性能に概ね肯定的な影響を与えることが明らかとなった。
関連論文リスト
- A Functional Analysis Approach to Symbolic Regression [0.990319860068191]
記号回帰(SR)はランダム化探索において重要な課題である。
伝統的な遺伝的プログラミング(GP)アルゴリズムは、SRに木に基づく表現を用いる場合、限られた性能を示す。
機能解析から洞察を引き出す新しいSR手法を提案する。
論文 参考訳（メタデータ） (2024-02-09T10:24:47Z) - Domain Invariant Learning for Gaussian Processes and Bayesian
Exploration [39.83530605880014]
そこで本研究では,確率を最小限に最適化したガウス過程(DIL-GP)の領域不変学習アルゴリズムを提案する。
数値実験により、複数の合成および実世界のデータセットの予測におけるDIL-GPの優位性を示す。
論文 参考訳（メタデータ） (2023-12-18T16:13:34Z) - Differentiable Genetic Programming for High-dimensional Symbolic
Regression [13.230237932229052]
シンボリック・レグレッション(SR)は、解釈可能な機械学習(ML)に到達するための効果的な方法と考えられている
遺伝的プログラミング(GP)は、SR問題の解決における支配者となっている。
GP木を高次元SRに向けて構築するための DGP という微分可能な手法を提案する。
論文 参考訳（メタデータ） (2023-04-18T11:39:45Z) - Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。
現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。
本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
論文 参考訳（メタデータ） (2023-02-28T14:01:01Z) - A Lanczos approach to the Adiabatic Gauge Potential [0.0]
断熱ゲージポテンシャル (AGP) は、断熱変形の下でハミルトンの固有系が変化する速度を測定する。
このアプローチのバージョンは、Lanczosアルゴリズムを用いて、KrylovベクトルとAGPノルムでAGP演算子を評価することで、Lanczos係数でAGPノルムを評価する。
論文 参考訳（メタデータ） (2023-02-14T18:18:21Z) - 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) - Sparse Gaussian Process Variational Autoencoders [24.86751422740643]
既存のGP-DGMにおける推論のアプローチは、点に基づくスパースGP近似をサポートしない。
我々は,スパースGP近似のパラメータ化に部分的推論ネットワークを用いることで特徴付けられるスパースガウス過程変動オートエンコーダ(GP-VAE)を開発した。
論文 参考訳（メタデータ） (2020-10-20T10:19:56Z) - Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。
本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。
本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
論文 参考訳（メタデータ） (2020-06-18T14:24:05Z) - Interpretable Learning-to-Rank with Generalized Additive Models [78.42800966500374]
ラーニング・ツー・ランクのモデルの解釈可能性は、非常に重要でありながら、比較的過小評価されている研究分野である。
解釈可能なランキングモデルの最近の進歩は、主に既存のブラックボックスランキングモデルに対するポストホックな説明の生成に焦点を当てている。
一般化加法モデル(GAM)をランキングタスクに導入することにより,本質的に解釈可能な学習 to ランクの基盤を築いた。
論文 参考訳（メタデータ） (2020-05-06T01:51:30Z)
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。