論文の概要: TinyverseGP: Towards a Modular Cross-domain Benchmarking Framework for Genetic Programming

• arxiv url: http://arxiv.org/abs/2504.10253v1
• Date: Mon, 14 Apr 2025 14:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:55:33.484676
• Title: TinyverseGP: Towards a Modular Cross-domain Benchmarking Framework for Genetic Programming
• Title（参考訳）: TinyverseGP: 遺伝的プログラミングのためのモジュール型クロスドメインベンチマークフレームワーク
• Authors: Roman Kalkreuth, Fabricio Olivetti de França, Julian Dierkes, Marie Anastacio, Anja Jankovic, Zdenek Vasicek, Holger Hoos,
• Abstract要約: 遺伝的プログラミング(GP)は複数の問題領域に対処することができる。 我々は、TinyverseGPと呼ばれる統合フレームワークを提案し、複数の表現と問題領域をサポートする。
• 参考スコア（独自算出の注目度）: 2.764155611699866
• License:
• Abstract: Over the years, genetic programming (GP) has evolved, with many proposed variations, especially in how they represent a solution. Being essentially a program synthesis algorithm, it is capable of tackling multiple problem domains. Current benchmarking initiatives are fragmented, as the different representations are not compared with each other and their performance is not measured across the different domains. In this work, we propose a unified framework, dubbed TinyverseGP (inspired by tinyGP), which provides support to multiple representations and problem domains, including symbolic regression, logic synthesis and policy search.
• Abstract（参考訳）: 長年にわたり、遺伝的プログラミング(GP)は進化し、特に解の表現方法において多くのバリエーションが提案されている。 本質的にはプログラム合成アルゴリズムであり、複数の問題領域に取り組むことができる。 現在のベンチマークイニシアチブは、異なる表現が互いに比較されず、そのパフォーマンスが異なるドメイン全体で測定されないため、断片化されている。 本研究では,TinyverseGPと呼ばれる統合フレームワークを提案する。このフレームワークは,シンボル回帰,論理合成,ポリシー探索など,複数の表現や問題領域をサポートする。

関連論文リスト

• Transformer Semantic Genetic Programming for Symbolic Regression [0.8602553195689513]
  Transformer Genetic Programming (TSGP) は、生成型トランスフォーマーモデルを探索演算子として使用する、新しく柔軟なセマンティックアプローチである。 このモデルは、合成テスト問題に基づいて訓練され、ソリューション間のセマンティックな類似性を学ぶ。 探索力学の解析により、TSGPが生成した解は、ベンチマーク手法が生成した解と意味的に類似していることが明らかになった。
  論文  参考訳（メタデータ） (2025-01-30T16:51:44Z)
• Multi-Representation Genetic Programming: A Case Study on Tree-based and Linear Representations [4.999866990999739]
  本稿では,ツリーベースおよび線形表現に基づく多表現GPアルゴリズムを提案する。 また,木に基づく表現と線形表現の相互作用を利用するクロス表現演算子を開発した。 実験結果から,基本木に基づく表現と線形表現の学習知識のナビゲートがGPの有効性を向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-05-23T07:47:06Z)
• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• Multi-Domain Long-Tailed Learning by Augmenting Disentangled Representations [80.76164484820818]
  多くの現実世界の分類問題には、避けられない長い尾のクラスバランスの問題がある。 本稿では,この多領域長鎖学習問題について検討し,すべてのクラスとドメインにまたがってよく一般化されたモデルを作成することを目的とする。 TALLYは、選択的均衡サンプリング戦略に基づいて、ある例のセマンティック表現と別の例のドメイン関連ニュアンスを混合することでこれを達成している。
  論文  参考訳（メタデータ） (2022-10-25T21:54:26Z)
• Failure Modes of Domain Generalization Algorithms [29.772370301145543]
  本稿では,ドメイン一般化アルゴリズムの評価フレームワークを提案する。 一般化誤差の最大の寄与要因は,手法,データセット,正規化強度,トレーニング長など多岐にわたる。
  論文  参考訳（メタデータ） (2021-11-26T20:04:19Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Promoting Semantics in Multi-objective Genetic Programming based on Decomposition [0.0]
  進化的アルゴリズム(MOEA/D)における意味的類似性に基づくクロスオーバー(SSC)は,それが標準MOEA/Dに存在しない場合と比較して,意味的多様性がより良い結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-12-08T20:07:47Z)
• Heterogeneous Domain Generalization via Domain Mixup [0.0]
  深層畳み込みニューラルネットワーク(DCNN)の主な欠点の1つは、一般化能力の欠如である。 本稿では,複数のソース領域にサンプルを混在させることにより,新しいヘテロジニアス領域の一般化手法を提案する。 The Visual Decathlon benchmark on the experimental results showed the effective of our method。
  論文  参考訳（メタデータ） (2020-09-11T13:53:56Z)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)
• Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
  最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。 我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。 提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
  論文  参考訳（メタデータ） (2020-03-18T04:43:25Z)

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。