論文の概要: Benchmarking symbolic regression constant optimization schemes

• arxiv url: http://arxiv.org/abs/2412.02126v1
• Date: Tue, 03 Dec 2024 03:29:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:47:39.980293
• Title: Benchmarking symbolic regression constant optimization schemes
• Title（参考訳）: シンボリック回帰定数最適化スキームのベンチマーク
• Authors: L. G. A dos Reis, V. L. P. S. Caminha, T. J. P. Penna,
• Abstract要約: 進化探索において適用された8つのパラメータ最適化手法を, 2つの異なるシナリオで評価した。 異なる定数最適化手法が特定のシナリオでより良く機能し、全ての問題に対して全体的な選択の余地がないことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Symbolic regression is a machine learning technique, and it has seen many advancements in recent years, especially in genetic programming approaches (GPSR). Furthermore, it has been known for many years that constant optimization of parameters, during the evolutionary search, greatly increases GPSR performance However, different authors approach such tasks differently and no consensus exists regarding which methods perform best. In this work, we evaluate eight different parameter optimization methods, applied during evolutionary search, over ten known benchmark problems, in two different scenarios. We also propose using an under-explored metric called Tree Edit Distance (TED), aiming to identify symbolic accuracy. In conjunction with classical error measures, we develop a combined analysis of model performance in symbolic regression. We then show that different constant optimization methods perform better in certain scenarios and that there is no overall best choice for every problem. Finally, we discuss how common metric decisions may be biased and appear to generate better models in comparison.
• Abstract（参考訳）: シンボリックレグレッションは機械学習技術であり、特にGPSR(英語版)では近年多くの進歩が見られる。 さらに、進化的探索においてパラメータの定数最適化がGPSR性能を大幅に向上することが長年にわたって知られているが、異なる著者がそのようなタスクに異なるアプローチをとっており、どのメソッドが最適かについては合意が得られていない。 本研究では,進化的探索において適用された8つのパラメータ最適化手法と10以上の既知のベンチマーク問題を2つのシナリオで評価する。 また,シンボル精度の同定を目的とした,TED(Tree Edit Distance)と呼ばれる未探索の指標も提案する。 古典的誤差測定と連動して,記号回帰におけるモデル性能の複合解析を開発する。 次に、異なる定数最適化手法が特定のシナリオでより良く機能し、全ての問題に対して全体的な選択の余地がないことを示す。 最後に、一般的な計量決定がどのように偏りがあり、比較してより良いモデルを生成するかについて議論する。

関連論文リスト

• Benchmarking global optimization techniques for unmanned aerial vehicle path planning [1.8416014644193066]
  無人航空機(UAV)経路計画問題(Unmanned Aerial Vehicle)は、ロボット工学分野における複雑な最適化問題である。 本稿では,グローバル最適化手法のベンチマークにおいて,この問題の有効利用の可能性について検討する。
  論文  参考訳（メタデータ） (2025-01-24T14:01:53Z)
• Evolving Benchmark Functions to Compare Evolutionary Algorithms via Genetic Programming [3.838204385427238]
  我々は、新しい最適化ベンチマーク関数を構成するために、遺伝的プログラミング(GP)を利用する。 GPによって生成されたベンチマークは、人為的なベンチマーク関数よりもアルゴリズムの区別が優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-21T05:42:17Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• Personalizing Performance Regression Models to Black-Box Optimization Problems [0.755972004983746]
  本研究では,数値最適化問題に対するパーソナライズされた回帰手法を提案する。 また、問題毎に1つの回帰モデルを選択するのではなく、パーソナライズされたアンサンブルを選択することの影響についても検討する。 本稿では,BBOBベンチマークコレクション上での数値最適化性能の予測について検討する。
  論文  参考訳（メタデータ） (2021-04-22T11:47:47Z)
• Evolutionary Variational Optimization of Generative Models [0.0]
  分散最適化と進化的アルゴリズムの2つの一般的な最適化アプローチをジェネレーションモデルのための学習アルゴリズムの導出に組み合わせます。 進化的アルゴリズムは変動境界を効果的かつ効率的に最適化できることを示す。 ゼロショット」学習のカテゴリでは、多くのベンチマーク設定で最先端の技術を大幅に改善するために進化的変動アルゴリズムを観察しました。
  論文  参考訳（メタデータ） (2020-12-22T19:06:33Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
  また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。 これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-09-01T19:12:11Z)
• Stochastic Optimization Forests [60.523606291705214]
  標準的なランダムな森林アルゴリズムのように予測精度を向上させるために分割するのではなく、分割を選択した木を栽培し、下流の意思決定品質を直接最適化することで、森林決定政策の訓練方法を示す。 概略分割基準は、各候補分割に対して正確に最適化された森林アルゴリズムに近い性能を保ちながら、100倍のランニング時間を短縮できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T16:56:06Z)

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。