論文の概要: Guiding Genetic Programming with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2411.05820v1
• Date: Sun, 03 Nov 2024 20:43:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-17 08:33:31.997455
• Title: Guiding Genetic Programming with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによる遺伝的プログラミングの指導
• Authors: Piotr Wyrwiński, Krzysztof Krawiec,
• Abstract要約: 本稿では,記号回帰問題から付加的な知識を引き出すためにグラフニューラルネットワークを用いたEvoNUDGEを提案する。 多数の問題インスタンスに対する広範な実験では、EvoNUDGEは複数のベースラインを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 0.20718016474717196
• License:
• Abstract: In evolutionary computation, it is commonly assumed that a search algorithm acquires knowledge about a problem instance by sampling solutions from the search space and evaluating them with a fitness function. This is necessarily inefficient because fitness reveals very little about solutions -- yet they contain more information that can be potentially exploited. To address this observation in genetic programming, we propose EvoNUDGE, which uses a graph neural network to elicit additional knowledge from symbolic regression problems. The network is queried on the problem before an evolutionary run to produce a library of subprograms, which is subsequently used to seed the initial population and bias the actions of search operators. In an extensive experiment on a large number of problem instances, EvoNUDGE is shown to significantly outperform multiple baselines, including the conventional tree-based genetic programming and the purely neural variant of the method.
• Abstract（参考訳）: 進化的計算では、探索アルゴリズムは、探索空間から解をサンプリングし、それらを適合関数で評価することにより、問題インスタンスに関する知識を取得すると一般的に仮定される。 これは必ずしも非効率であり、なぜならフィットネスはソリューションについてほとんど何も明らかにしないからである。 遺伝的プログラミングにおけるこの観察に対処するため,シンボル回帰問題から付加的な知識を引き出すためにグラフニューラルネットワークを用いたEvoNUDGEを提案する。 ネットワークは、進化的な実行前に、サブプログラムのライブラリを生成するためにクエリされ、その後、初期個体群をシードし、探索演算子の動作をバイアスするために使用される。 多数の問題事例に対する広範な実験において、EvoNUDGEは、従来のツリーベースの遺伝的プログラミングや純粋に神経的変異を含む、複数のベースラインを大幅に上回っていることが示されている。

関連論文リスト

• A Learning Search Algorithm for the Restricted Longest Common Subsequence Problem [40.64116457007417]
  RLCS問題(Restricted Longest Common Subsequence)はバイオインフォマティクスにおいて重要な応用である。 本稿では,将来性のある地域に向けて,探索プロセスを強化するための2つの新しいアプローチを提案する。 この論文の重要な貢献は、科学的な抽象が入力文字列として機能する実世界のインスタンスの生成である。
  論文  参考訳（メタデータ） (2024-10-15T20:02:15Z)
• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
  ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。 単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
  論文  参考訳（メタデータ） (2023-06-30T17:59:13Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• On Recoverability of Graph Neural Network Representations [9.02766568914452]
  本稿では,GNNにおける情報集約と密接な関係を持つリカバリ可能性の概念を提案する。 様々なデータセットおよび異なるGNNアーキテクチャに関する実験結果を通じて、推定された回復可能性とアグリゲーション法表現性とグラフスカラー化品質の関係を実証する。 提案手法は、上記の問題の根源を理解する上で不可欠なツールとなり、それらを克服するGNN設計に繋がる可能性があると信じている。
  論文  参考訳（メタデータ） (2022-01-30T15:22:29Z)
• Multigoal-oriented dual-weighted-residual error estimation using deep neural networks [0.0]
  ディープラーニングは、関数を近似する柔軟性の高い強力なツールだと考えられている。 提案手法は,誤差の局所化に付随する問題を解く後続誤差推定法に基づく。 複数のゴール関数に対する後方誤差推定を得るために,効率的で実装が容易なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-12-21T16:59:44Z)
• Symbolic Regression via Neural-Guided Genetic Programming Population Seeding [6.9501458586819505]
  シンボリック回帰(英: Symbolic regression)は、NPハードであると一般に信じられている離散最適化問題である。 この問題を解決するための従来のアプローチには、ニューラルガイド付き検索と遺伝的プログラミングがある。 本稿では、ランダムに再起動する遺伝的プログラミングコンポーネントの開始集団をシードする神経誘導成分を提案する。
  論文  参考訳（メタデータ） (2021-10-29T19:26:41Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• How Neural Networks Extrapolate: From Feedforward to Graph Neural Networks [80.55378250013496]
  勾配勾配降下法によりトレーニングされたニューラルネットワークが、トレーニング分布の支持の外で学んだことを外挿する方法について検討する。 グラフニューラルネットワーク(GNN)は、より複雑なタスクでいくつかの成功を収めている。
  論文  参考訳（メタデータ） (2020-09-24T17:48:59Z)
• Graph Neural Networks for Motion Planning [108.51253840181677]
  低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。 臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
  論文  参考訳（メタデータ） (2020-06-11T08:19:06Z)
• Devolutionary genetic algorithms with application to the minimum labeling Steiner tree problem [0.0]
  本稿では、進化的遺伝的アルゴリズムを特徴付けるとともに、最小ラベル付けスタイナーツリー(MLST)問題を解く際の性能を評価する。 我々は、進化的アルゴリズムを、時間とともに超最適で実現不可能な解の集団を進化させることによって実現可能な解に到達する過程として定義する。 我々は, 交叉, 突然変異, 適合性などの古典的進化的概念が, 最適解, 最適解に到達するためにどのように適応できるかを示す。
  論文  参考訳（メタデータ） (2020-04-18T13:27:28Z)

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。