論文の概要: Analysing the Influence of Reorder Strategies for Cartesian Genetic Programming

• arxiv url: http://arxiv.org/abs/2410.00518v1
• Date: Tue, 1 Oct 2024 08:59:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 05:07:10.042616
• Title: Analysing the Influence of Reorder Strategies for Cartesian Genetic Programming
• Title（参考訳）: 直交型遺伝的プログラミングにおける順序戦略の影響の分析
• Authors: Henning Cui, Andreas Margraf, Jörg Hähner,
• Abstract要約: CGPで定義されるグラフのジェノタイプを並べ替える3つの新しい作用素を導入する。 そこで本研究では,CGPをリオーダー法で使用することにより,解が見つかるまでの反復数や適合度が向上することを示す。 しかし、最良のリオーダー演算子は存在しない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cartesian Genetic Programming (CGP) suffers from a specific limitation: Positional bias, a phenomenon in which mostly genes at the start of the genome contribute to a program output, while genes at the end rarely do. This can lead to an overall worse performance of CGP. One solution to overcome positional bias is to introduce reordering methods, which shuffle the current genotype without changing its corresponding phenotype. There are currently two different reorder operators that extend the classic CGP formula and improve its fitness value. In this work, we discuss possible shortcomings of these two existing operators. Afterwards, we introduce three novel operators which reorder the genotype of a graph defined by CGP. We show empirically on four Boolean and four symbolic regression benchmarks that the number of iterations until a solution is found and/or the fitness value improves by using CGP with a reorder method. However, there is no consistently best performing reorder operator. Furthermore, their behaviour is analysed by investigating their convergence plots and we show that all behave the same in terms of convergence type.
• Abstract（参考訳）: 位置バイアス(英: positional bias)とは、ゲノムの開始時にほとんどの遺伝子がプログラムの出力に寄与する現象である。 これにより、CGPの全体的なパフォーマンスが悪化する可能性がある。 位置バイアスを克服する一つの解決策は、対応する表現型を変更することなく現在の遺伝子型をシャッフルするリオーダー法を導入することである。 現在、2つの異なるリオーダー演算子があり、古典的なCGP公式を拡張し、その適合性を改善する。 本稿では、これらの2つの既存演算子の潜在的な欠点について論じる。 その後、CGPで定義されたグラフのジェノタイプを並べ替える3つの新しい演算子を導入する。 4つのBooleanおよび4つのシンボリック回帰ベンチマークにおいて、解が見つかるまでの反復数および/または適合値は、再順序法を用いてCGPを用いて改善されることを実証的に示す。 しかし、最良のリオーダー演算子は存在しない。 さらに、それらの挙動は収束プロットの調査によって解析され、収束型の観点からも全て同じ挙動を示す。

関連論文リスト

• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Orthogonal Graph Neural Networks [53.466187667936026]
  グラフニューラルネットワーク(GNN)は,ノード表現の学習において優れていたため,大きな注目を集めている。 より畳み込み層を積み重ねることで、GNNのパフォーマンスが大幅に低下する。 本稿では,モデルトレーニングの安定化とモデル一般化性能の向上のために,既存のGNNバックボーンを拡張可能なOrtho-GConvを提案する。
  論文  参考訳（メタデータ） (2021-09-23T12:39:01Z)
• On the Genotype Compression and Expansion for Evolutionary Algorithms in the Continuous Domain [7.152439554068968]
  我々は、遺伝子型が表現型より小さい)遺伝子型圧縮と拡張(表現型より大きい)を考える。 我々は,3組の最適化問題に対して,いくつかの進化的アルゴリズムを用いてアプローチを検証した。
  論文  参考訳（メタデータ） (2021-05-24T18:56:18Z)
• 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)
• Genetic Programming is Naturally Suited to Evolve Bagging Ensembles [0.0]
  適合度評価と選択の微妙な変化は、単純で従来のGPアルゴリズムを効率的に進化させるのに十分であることを示す。 我々のアルゴリズムは、最先端のアンサンブルと非アンサンブルGPアルゴリズムと非常によく比較できる。
  論文  参考訳（メタデータ） (2020-09-13T16:28:11Z)
• When Does Preconditioning Help or Hurt Generalization? [74.25170084614098]
  本稿では,第1次および第2次手法のテキスト単純バイアスが一般化特性の比較にどのように影響するかを示す。 本稿では、バイアス分散トレードオフを管理するためのいくつかのアプローチと、GDとNGDを補間する可能性について論じる。
  論文  参考訳（メタデータ） (2020-06-18T17:57:26Z)
• Obtaining Basic Algebra Formulas with Genetic Programming and Functional Rewriting [0.0]
  我々は、関数型プログラミングの書き直しを用いて、帰納的遺伝的プログラミングを促進する。 親はトーナメント選択機構に従って選択され、次の人口は定常的な戦略に従って取得される。 古典的遺伝プログラミングにおける)難題の集合において,本手法の性能を比較した。
  論文  参考訳（メタデータ） (2020-05-03T23:32:36Z)
• Semantically-Oriented Mutation Operator in Cartesian Genetic Programming for Evolutionary Circuit Design [0.5414308305392761]
  本稿では,組合せ回路の進化設計に適した意味指向突然変異演算子(SOMO)を提案する。 一般的なCGPとその変種と比較して、提案手法は一般的なBooleanベンチマークにかなり早く収束する。 最も複雑な回路は1時間以内で進化し、シングルスレッドの実装は共通のCPU上で実行された。
  論文  参考訳（メタデータ） (2020-04-23T08:15:48Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。