論文の概要: Improving Genetic Programming for Symbolic Regression with Equality Graphs
- arxiv url: http://arxiv.org/abs/2501.17848v1
- Date: Wed, 29 Jan 2025 18:49:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-30 15:53:32.816249
- Title: Improving Genetic Programming for Symbolic Regression with Equality Graphs
- Title(参考訳): 平等グラフを用いたシンボル回帰のための遺伝的プログラミングの改善
- Authors: Fabricio Olivetti de Franca, Gabriel Kronberger,
- Abstract要約: 等式グラフを利用して、式とその等価な形式を格納する。
サブツリー演算子を適応させて、表現の再検討の機会を減らします。
提案手法は,PySRやOperonと競合する単純なGPアルゴリズムの性能を向上させる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: The search for symbolic regression models with genetic programming (GP) has a tendency of revisiting expressions in their original or equivalent forms. Repeatedly evaluating equivalent expressions is inefficient, as it does not immediately lead to better solutions. However, evolutionary algorithms require diversity and should allow the accumulation of inactive building blocks that can play an important role at a later point. The equality graph is a data structure capable of compactly storing expressions and their equivalent forms allowing an efficient verification of whether an expression has been visited in any of their stored equivalent forms. We exploit the e-graph to adapt the subtree operators to reduce the chances of revisiting expressions. Our adaptation, called eggp, stores every visited expression in the e-graph, allowing us to filter out from the available selection of subtrees all the combinations that would create already visited expressions. Results show that, for small expressions, this approach improves the performance of a simple GP algorithm to compete with PySR and Operon without increasing computational cost. As a highlight, eggp was capable of reliably delivering short and at the same time accurate models for a selected set of benchmarks from SRBench and a set of real-world datasets.
- Abstract(参考訳): 遺伝的プログラミング(GP)を用いた記号回帰モデル(英語版)の探索は、その原型または等価な表現を再検討する傾向にある。
等価な式を繰り返し評価することは非効率であり、それはすぐにより良い解につながるわけではない。
しかし、進化的アルゴリズムは多様性を必要とし、後で重要な役割を果たす不活性なビルディングブロックの蓄積を可能にする必要がある。
等式グラフは、式とその等価な形式をコンパクトに格納できるデータ構造であり、それらの保存された等価な形式のいずれかに式が訪れたかどうかを効率的に検証することができる。
我々はeグラフを利用してサブツリー演算子を適応させ、表現の再検討の機会を減らす。
eggpと呼ばれる私たちの適応は、訪問したすべての表現をeグラフに格納します。
その結果, 計算コストを増大させることなく, PySR や Operon と競合する単純な GP アルゴリズムの性能を向上させることができた。
ハイライトとして、EggpはSRBenchと実世界のデータセットから選択されたベンチマークのセットに対して、簡潔で正確なモデルを確実に提供することができた。
関連論文リスト
- rEGGression: an Interactive and Agnostic Tool for the Exploration of Symbolic Regression Models [0.0]
本稿では,電子グラフを用いたシンボル表現の大規模な探索を可能にするツールであるrEGGressionを紹介する。
主な焦点は、調査中に見つかったビルディングブロックの探索であり、専門家が研究された現象についての洞察を見つけるのに役立つ。
論文 参考訳(メタデータ) (2025-01-29T18:57:44Z) - The Inefficiency of Genetic Programming for Symbolic Regression -- Extended Version [0.0]
我々は,遺伝的プログラミングの探索挙動を,実用上は関係するが限定的な状況下での象徴的回帰のために分析する。
これにより、最良の表現を見つける成功確率を定量化できる。
遺伝的プログラミングの探索効率を意味的一意表現の空間におけるランダム探索と比較する。
論文 参考訳(メタデータ) (2024-04-26T09:49:32Z) - Inexact Simplification of Symbolic Regression Expressions with Locality-sensitive Hashing [0.7373617024876725]
シンボリック回帰は、データセットに正確に適合するパラメトリックモデルを検索し、単純さと解釈可能性の優先順位付けを行う。
高速な代数的単純化を適用することは、式を完全に単純化するものではなく、式のサイズや複雑さによって正確な方法が実現できない可能性がある。
局所性に敏感なハッシュ(LHS)を用いた効率的なメモ化を用いたSRの単純化と肥大化制御を提案する。
論文 参考訳(メタデータ) (2024-04-08T22:54:14Z) - Compositional Generalization without Trees using Multiset Tagging and
Latent Permutations [121.37328648951993]
まず、各入力トークンに複数の出力トークンをタグ付けします。
次に、新しいパラメータ化法と置換予測法を用いて、トークンを出力シーケンスに配置する。
我々のモデルは、事前訓練されたセq2seqモデルと、現実的なセマンティック解析タスクに関する先行研究より優れている。
論文 参考訳(メタデータ) (2023-05-26T14:09:35Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-06T14:49:59Z) - Efficient Generator of Mathematical Expressions for Symbolic Regression [0.0]
本稿では,階層構造を生成するための新しい変分オートエンコーダに基づくシンボリックレグレッション手法を提案する。
HVAEは、数学的表現の小さなコーパスで効率的に訓練することができ、スムーズな低次元潜在空間に正確に表現をエンコードすることができる。
最後に、HVAEの潜在空間に進化的アルゴリズムを適用するEDHiEシステムは、ディープラーニングと進化的アルゴリズムの類似した組み合わせに基づく最先端のシステムよりも、標準的な記号的回帰ベンチマークから方程式を再構築する。
論文 参考訳(メタデータ) (2023-02-20T10:40:29Z) - Adaptive Fine-Grained Predicates Learning for Scene Graph Generation [122.4588401267544]
一般的なシーングラフ生成(SGG)モデルは、頭部の述語を予測する傾向があり、再バランス戦略は尾のカテゴリを好む。
本稿では,SGGの難解な述語を識別することを目的とした適応的微粒述語学習(FGPL-A)を提案する。
提案したモデル非依存戦略は,VG-SGGおよびGQA-SGGデータセットのベンチマークモデルの性能を最大175%,Mean Recall@100では76%向上させ,新たな最先端性能を実現する。
論文 参考訳(メタデータ) (2022-07-11T03:37:57Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳(メタデータ) (2022-06-23T20:12:51Z) - GraphQ IR: Unifying Semantic Parsing of Graph Query Language with
Intermediate Representation [91.27083732371453]
本稿では,グラフクエリ言語,すなわちGraphQ IRに対する統合中間表現(IR)を提案する。
セマンティックギャップをブリッジするIRの自然言語のような表現と、グラフ構造を維持するための正式に定義された構文によって、ニューラルネットワークによるセマンティックパーシングは、ユーザクエリをより効果的にGraphQ IRに変換することができる。
我々のアプローチは、KQA Pro、Overnight、MetaQAにおける最先端のパフォーマンスを一貫して達成できます。
論文 参考訳(メタデータ) (2022-05-24T13:59:53Z) - Reinforcement Learning Based Query Vertex Ordering Model for Subgraph
Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。
マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。
本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文 参考訳(メタデータ) (2022-01-25T00:10:03Z) - 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)
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。