論文の概要: Kozax: Flexible and Scalable Genetic Programming in JAX

• arxiv url: http://arxiv.org/abs/2502.03047v1
• Date: Wed, 05 Feb 2025 10:12:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 16:28:51.047464
• Title: Kozax: Flexible and Scalable Genetic Programming in JAX
• Title（参考訳）: Kozax: JAXにおける柔軟でスケーラブルな遺伝的プログラミング
• Authors: Sigur de Vries, Sander W. Keemink, Marcel A. J. van Gerven,
• Abstract要約: Kozaxは任意の問題に対するシンボリック表現を進化させる遺伝的プログラミングフレームワークである。 高性能でスケーラブルな機械学習のためのフレームワークであるJAXを使ってKozaxを実装します。 我々は、自然法則の方程式を発見し、隠れた動的変数の方程式を復元し、制御ポリシーを進化させるために、Kozaxの成功した応用を実証する。
• 参考スコア（独自算出の注目度）: 1.437446768735628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Genetic programming is an optimization algorithm inspired by natural selection which automatically evolves the structure of computer programs. The resulting computer programs are interpretable and efficient compared to black-box models with fixed structure. The fitness evaluation in genetic programming suffers from high computational requirements, limiting the performance on difficult problems. To reduce the runtime, many implementations of genetic programming require a specific data format, making the applicability limited to specific problem classes. Consequently, there is no efficient genetic programming framework that is usable for a wide range of tasks. To this end, we developed Kozax, a genetic programming framework that evolves symbolic expressions for arbitrary problems. We implemented Kozax using JAX, a framework for high-performance and scalable machine learning, which allows the fitness evaluation to scale efficiently to large populations or datasets on GPU. Furthermore, Kozax offers constant optimization, custom operator definition and simultaneous evolution of multiple trees. We demonstrate successful applications of Kozax to discover equations of natural laws, recover equations of hidden dynamic variables and evolve a control policy. Overall, Kozax provides a general, fast, and scalable library to optimize white-box solutions in the realm of scientific computing.
• Abstract（参考訳）: 遺伝的プログラミング(英: genetic programming)は、コンピュータプログラムの構造を自動的に進化させる自然選択にインスパイアされた最適化アルゴリズムである。 結果として得られるプログラムは、固定構造を持つブラックボックスモデルと比較して解釈可能で効率的である。 遺伝的プログラミングにおける適合度評価は、高い計算要求に悩まされ、難しい問題のパフォーマンスが制限される。 ランタイムを減らすために、多くの遺伝的プログラミングの実装は特定のデータフォーマットを必要とし、特定の問題クラスに限定される。 したがって、幅広いタスクに使える効率的な遺伝的プログラミングフレームワークは存在しない。 そこで我々は,任意の問題に対する記号表現を進化させる遺伝的プログラミングフレームワークであるKozaxを開発した。 Kozaxは、高性能でスケーラブルな機械学習のためのフレームワークで、フィットネス評価をGPU上の大集団やデータセットに効率的にスケールできるようにする。 さらに、Kozaxは、定数最適化、カスタムオペレータ定義、複数のツリーの同時進化を提供する。 我々は、自然法則の方程式を発見し、隠れた動的変数の方程式を復元し、制御ポリシーを進化させるために、Kozaxの成功した応用を実証する。 全体として、Kozaxは科学計算の領域でホワイトボックスソリューションを最適化するための汎用的で高速でスケーラブルなライブラリを提供する。

関連論文リスト

• EvoGP: A GPU-accelerated Framework for Tree-based Genetic Programming [8.571010338499422]
  木に基づく遺伝的プログラミング(TGP)は、記号回帰、特徴工学、科学モデリングにおいて広く用いられている進化的アルゴリズムである。 これらの課題に対処するために、包括的なGPUアクセラレーションTGPフレームワークであるEvoGPを紹介する。 EvoGPは最先端のTGP実装よりも最大140.89倍の高速化を実現していることを示す。
  論文  参考訳（メタデータ） (2025-01-21T07:42:54Z)
• Nonparametric independence tests in high-dimensional settings, with applications to the genetics of complex disease [55.2480439325792]
  遺伝子データの支持空間における適切な事前測定構造の定義が,このような検査に新たなアプローチをもたらすことを示す。 各問題に対して、数学的結果、シミュレーションおよび実データへの適用を提供する。
  論文  参考訳（メタデータ） (2024-07-29T01:00:53Z)
• Fast Genetic Algorithm for feature selection -- A qualitative approximation approach [5.279268784803583]
  本稿では,遺伝的アルゴリズム(GA)を特徴選択に用いることによって生じる計算問題に対処するための,2段階の代理支援進化的アプローチを提案する。 我々はCHCQXがより高速に収束し、特に100K以上のインスタンスを持つ大規模データセットにおいて、非常に高い精度でサブセットソリューションを特徴付けることを示した。
  論文  参考訳（メタデータ） (2024-04-05T10:15:24Z)
• CoLA: Exploiting Compositional Structure for Automatic and Efficient Numerical Linear Algebra [62.37017125812101]
  機械学習における大規模線形代数問題に対して, CoLA という, 単純だが汎用的なフレームワークを提案する。 線形演算子抽象と合成ディスパッチルールを組み合わせることで、CoLAはメモリと実行時の効率的な数値アルゴリズムを自動的に構築する。 偏微分方程式,ガウス過程,同変モデル構築,教師なし学習など,幅広い応用で有効性を示す。
  論文  参考訳（メタデータ） (2023-09-06T14:59:38Z)
• GloptiNets: Scalable Non-Convex Optimization with Certificates [61.50835040805378]
  本稿では,ハイパーキューブやトーラス上のスムーズな関数を扱う証明書を用いた非キューブ最適化手法を提案する。 スペクトルの減衰に固有の対象関数の正則性を活用することにより、正確な証明を取得し、高度で強力なニューラルネットワークを活用することができる。
  論文  参考訳（メタデータ） (2023-06-26T09:42:59Z)
• EvoTorch: Scalable Evolutionary Computation in Python [1.8514314381314885]
  EvoTorchは、高次元最適化問題を扱うように設計された進化計算ライブラリである。 EvoTorchはPyTorchライブラリをベースとしてシームレスに動作するため、ユーザはよく知られたAPIを使用して最適化問題を定義することができる。
  論文  参考訳（メタデータ） (2023-02-24T12:37:45Z)
• Learning Performance-Improving Code Edits [107.21538852090208]
  本稿では,大規模言語モデル(LLM)を高レベルプログラム最適化に適用するためのフレームワークを提案する。 まず、競争力のある77,000以上のC++プログラミングサブミッションペアによる、人間のプログラマによるパフォーマンス改善編集のデータセットをキュレートする。 提案手法は,検索をベースとした少数ショットプロンプトとチェーン・オブ・シンクレットを提案し,その微調整には,自己再生に基づく性能条件付き生成と合成データ拡張が含まれる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:21Z)
• evosax: JAX-based Evolution Strategies [0.0]
  evosaxは進化最適化アルゴリズムのJAXベースのライブラリです。 evosaxは30の進化最適化アルゴリズムを実装している。 モジュラー方式で設計されており、シンプルなRequest-evaluate-tell APIを通じてフレキシブルな使用を可能にする。
  論文  参考訳（メタデータ） (2022-12-08T10:34:42Z)
• 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)
• A Bi-Level Framework for Learning to Solve Combinatorial Optimization on Graphs [91.07247251502564]
  本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。 このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
  論文  参考訳（メタデータ） (2021-06-09T09:18:18Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)
• Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
  様々な目的に対して最適な決定木を生成する手法を提案する。 また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-06-15T19:00:11Z)
• Genetic optimization algorithms applied toward mission computability models [0.3655021726150368]
  遺伝的アルゴリズムは計算ベースであり、計算に低コストである。 遺伝的最適化アルゴリズムをミッションクリティカルかつ制約対応の問題に記述する。
  論文  参考訳（メタデータ） (2020-05-27T00:45:24Z)
• Global Optimization of Gaussian processes [52.77024349608834]
  少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。 このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。 提案手法の順序の順序による時間収束を,総じて低減する。
  論文  参考訳（メタデータ） (2020-05-21T20:59:11Z)
• 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)

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。