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 14:29:16.205556
• 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:
• 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)
• Genetic-based Constraint Programming for Resource Constrained Job Scheduling [5.068093754585243]
  資源制約されたジョブスケジューリングは、鉱業に起源を持つ計算の最適化問題である。 既成のソリューションはこの問題を合理的な時間枠で十分解決できない。 本稿では,制約プログラミングの効率的な探索手法を探索する遺伝的プログラミングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-01T09:57:38Z)
• 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)
• Improving Time and Memory Efficiency of Genetic Algorithms by Storing Populations as Minimum Spanning Trees of Patches [0.0]
  進化的アルゴリズムでは、演算子を適用し、人口を保存する計算コストは、適合性評価のコストに匹敵する。 個体群を最小のスパンニングツリーとして保存することは、頂点が個体に対応するが、それらのメタ情報しか含まない場合において、簡単な実装の代替として実現可能であることを示す。 我々の実験は、メモリ使用量と計算コストの両方の観点から、大幅な改善(クロスオーバー演算子の実行を含む)が達成可能であることを示唆している。
  論文  参考訳（メタデータ） (2023-06-29T05:12:14Z)
• 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)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)
• 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)
• 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。