論文の概要: Generational Computation Reduction in Informal Counterexample-Driven Genetic Programming

• arxiv url: http://arxiv.org/abs/2408.12604v1
• Date: Thu, 8 Aug 2024 01:06:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-01 17:12:14.465951
• Title: Generational Computation Reduction in Informal Counterexample-Driven Genetic Programming
• Title（参考訳）: インフォーマルな反例駆動型遺伝的プログラミングにおける世代計算の削減
• Authors: Thomas Helmuth, Edward Pantridge, James Gunder Frazier, Lee Spector,
• Abstract要約: 逆example-driven genetic programming(CDGP)は、進化するプログラムを評価するために使用されるトレーニングケースを生成するために、形式的な制約として提供される仕様を使用する。 ユーザが提供するトレーニングデータのみを用いて,CDGPの基盤となる考え方を,正式な仕様なしで適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.3748750222488657
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Counterexample-driven genetic programming (CDGP) uses specifications provided as formal constraints to generate the training cases used to evaluate evolving programs. It has also been extended to combine formal constraints and user-provided training data to solve symbolic regression problems. Here we show how the ideas underlying CDGP can also be applied using only user-provided training data, without formal specifications. We demonstrate the application of this method, called ``informal CDGP,'' to software synthesis problems. Our results show that informal CDGP finds solutions faster (i.e. with fewer program executions) than standard GP. Additionally, we propose two new variants to informal CDGP, and find that one produces significantly more successful runs on about half of the tested problems. Finally, we study whether the addition of counterexample training cases to the training set is useful by comparing informal CDGP to using a static subsample of the training set, and find that the addition of counterexamples significantly improves performance.
• Abstract（参考訳）: 逆example-driven genetic programming(CDGP)は、進化するプログラムを評価するために使用されるトレーニングケースを生成するために、形式的な制約として提供される仕様を使用する。 また、形式的な制約とユーザが提供するトレーニングデータを組み合わせて、シンボリック回帰問題を解決するように拡張されている。 ここでは,CDGPの基礎となる考え方を,正式な仕様なしでユーザが提供するトレーニングデータのみを用いて適用する方法を示す。 ソフトウェア合成問題に対する 'informal CDGP' という手法の適用例を示す。 以上の結果から,CDGPは標準GPよりも高速(プログラム実行が少ない)な解を求めることが明らかとなった。 さらに、非公式なCDGPに対して2つの新しい変種を提案する。 最後に, トレーニングセットの静的サブサンプルに対して, 非公式CDGPを比較することで, トレーニングセットへの逆例トレーニングケースの追加が有用であるかどうかを検討した。

関連論文リスト

• Beyond Intuition, a Framework for Applying GPs to Real-World Data [21.504659500727985]
  本稿では,ある問題に対するGPの適合性を同定する枠組みと,頑健かつ明確に定義されたGPモデルの構築方法を提案する。 この枠組みを氷河の標高変化のケーススタディに適用し,テスト時により正確な結果が得られることを示した。
  論文  参考訳（メタデータ） (2023-07-06T16:08:47Z)
• MTGP: Combining Metamorphic Testing and Genetic Programming [1.6058099298620425]
  遺伝的プログラミングは、現実世界のソフトウェア開発で実用的に使えるほど十分に成熟していない。 メタモルフィックテストと遺伝的プログラミングを組み合わせたMTGPを提案する。 メタモルフィックテストとラベル付きトレーニングケースを組み合わせることで,より高い一般化率が得られることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T16:35:22Z)
• Revisiting Active Sets for Gaussian Process Decoders [0.0]
  我々は最近発見されたクロスバリデーションのリンクに基づいて,ログマージ可能性の新たな推定法を開発した。 結果の能動集合 (SAS) 近似がGPデコーダトレーニングの堅牢性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-09-10T10:49:31Z)
• 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)
• Toward Learning Robust and Invariant Representations with Alignment Regularization and Data Augmentation [76.85274970052762]
  本論文はアライメント正則化の選択肢の増大を動機としている。 我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。 我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
  論文  参考訳（メタデータ） (2022-06-04T04:29:19Z)
• 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)
• 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)
• 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)

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。