論文の概要: LaSER: How Learning Can Guide the Evolution of Equations

• arxiv url: http://arxiv.org/abs/2505.17309v1
• Date: Thu, 22 May 2025 21:59:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.705403
• Title: LaSER: How Learning Can Guide the Evolution of Equations
• Title（参考訳）: LaSER: 学習が方程式の進化をガイドする方法
• Authors: Nam H. Le, Josh Bongard,
• Abstract要約: 遺伝的プログラミング(GP)における方程式の進化を効果的に導くために、教師付き学習の単純な形式を統合することが、初めて示された。 そこで我々は,各GP個人が教師付き学習者に渡される意味表現を生成する新しいGPパイプラインLaSERを提案する。 LaSERは従来のGPを大きく上回り、いくつかのケースでは、一般的な機械学習回帰器にマッチするか、超えている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Evolution and learning are two distinct yet complementary forms of adaptation. While evolutionary processes operate across generations via the selection of genotypes, learning occurs within the lifetime of an individual, shaping behavior through phenotypic adjustment. The Baldwin effect describes how lifetime learning can improve evolutionary search without altering inherited structures. While this has proven effective in areas like neuroevolution, where gradient-based learning is often used to fine-tune weights or behaviors produced by evolution, it remains underexplored in systems that evolve non-differentiable symbolic structures like Genetic Programming (GP). GP evolves explicit syntax trees that represent equations, offering strong interpretability but limited generalization due to the burden of discovering both useful representations and precise mappings. Here, we show for the first time that integrating a simple form of supervised learning, applied at the semantic or behavioral level during evaluation, can effectively guide the evolution of equations in GP. To achieve this, we propose a new GP pipeline, LaSER (Latent Semantic Evolutionary Regression), where each GP individual generates a semantic representation that is passed to a supervised learner. The quality of the learned mapping is used to assign fitness, without modifying the underlying syntax tree or evolutionary process. Across standard symbolic regression benchmarks, in terms of generalization ability, LaSER significantly outperforms traditional GP and, in several cases, matches or exceeds popular machine learning regressors, while preserving the symbolic interpretability. By separating evolution from learning, LaSER offers a practical route to integrating GP with modern ML workflows, and opens new avenues for research at the intersection of evolutionary computation and representation learning.
• Abstract（参考訳）: 進化と学習は、異なるが相補的な適応の2つの形態である。 進化過程は遺伝子型の選択を通じて世代間で作用するが、学習は個体の寿命内に起こり、表現型調整を通じて行動を形成する。 ボールドウィン効果は、生涯学習が継承された構造を変えることなく進化的探索を改善する方法を記述している。 これは神経進化のような領域で有効であることが証明されているが、勾配に基づく学習は、しばしば進化によって生み出される微調整の重み付けや振る舞いに使用されるが、遺伝プログラミング(GP)のような非微分不可能な記号構造を進化させるシステムでは未発見のままである。 GPは、方程式を表す明示的な構文木を進化させ、強力な解釈可能性を提供するが、有用な表現と正確な写像の両方を発見するという負担のために、限定的な一般化を提供する。 本稿では,GPにおける方程式の進化を効果的に導くために,評価中に意味的あるいは行動的レベルで適用された単純な教師付き学習の統合を初めて示す。 そこで我々は,新たなGPパイプラインLaSER(Latent Semantic Evolutionary Regression)を提案する。 学習したマッピングの品質は、基礎となる構文木や進化過程を変更することなく、適合度を割り当てるために使用される。 標準的なシンボリック回帰ベンチマーク全体において、一般化能力の面では、LaSERは従来のGPよりも大幅に優れており、いくつかのケースでは、シンボリック解釈性を維持しながら、一般的な機械学習の回帰器にマッチまたは超えている。 学習から進化を分離することで、LaSERはGPを現代のMLワークフローに統合するための実践的な経路を提供し、進化計算と表現学習の交差点で研究するための新たな道を開く。

関連論文リスト

• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• Evolving Reservoirs for Meta Reinforcement Learning [1.6874375111244329]
  本稿では,そのようなプロセスを実現する機構を研究するための計算モデルを提案する。 進化のスケールでは、リカレントニューラルネットワークの族である貯水池を進化させます。 我々は、強化学習(RL)を通じた行動政策の学習を容易にするために、これらの進化した貯水池を利用する。 以上の結果から,貯水池の進化は多様な課題の学習を改善することが示唆された。
  論文  参考訳（メタデータ） (2023-12-09T16:11:48Z)
• Theoretical Characterization of the Generalization Performance of Overfitted Meta-Learning [70.52689048213398]
  本稿では,ガウス的特徴を持つ線形回帰モデルの下で,過剰適合型メタラーニングの性能について検討する。 シングルタスク線形回帰には存在しない新しい興味深い性質が見つかる。 本分析は,各訓練課題における基礎的真理のノイズや多様性・変動が大きい場合には,良心過剰がより重要かつ容易に観察できることを示唆する。
  論文  参考訳（メタデータ） (2023-04-09T20:36:13Z)
• Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning [60.94357727688448]
  TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。 進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。 本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
  論文  参考訳（メタデータ） (2022-03-15T11:02:55Z)
• Transfer Dynamics in Emergent Evolutionary Curricula [4.692078300163222]
  PINSKYは、ゲームベースのドメインにおける神経進化によるオープンエンド学習システムである。 本稿では、ある進化的分岐(種)から別の進化的分岐(種)へ政策を移す役割に焦点を当てる。 最も洞察に富んだ発見は、種間移動は稀ではあるが、システムの成功に不可欠であるということである。
  論文  参考訳（メタデータ） (2022-03-03T21:10:22Z)
• Heritability in Morphological Robot Evolution [2.7402733069181]
  遺伝性の生物学的概念を導入し,遺伝子型変異による表現型変異の量を把握する。 解析では,2つの異なるエンコーディングから進化した第1世代のロボットの遺伝性を測定した。 遺伝性は遺伝子型と表現型との関係をよりよく理解するための有用なツールであることを示す。
  論文  参考訳（メタデータ） (2021-10-21T14:58:17Z)
• Epigenetic opportunities for Evolutionary Computation [0.0]
  進化計算(Evolutionary Computation)は、複雑な最適化問題を解くために用いられる生物学的にインスパイアされたアルゴリズムのグループである。 遺伝的遺伝からインスピレーションを得る進化的アルゴリズムと、文化的遺伝からインスピレーションを得るSwarm Intelligenceアルゴリズムに分けることができる。 本稿では, 進化的拡張合成に基づく生物学的枠組みの下で, バイオインスパイアされたアルゴリズムを成功裏に分解する。
  論文  参考訳（メタデータ） (2021-08-10T09:44:53Z)
• Learning an Explicit Hyperparameter Prediction Function Conditioned on Tasks [62.63852372239708]
  メタ学習は、観察されたタスクから機械学習の学習方法論を学び、新しいクエリタスクに一般化することを目的としている。 我々は、これらの学習手法を、全てのトレーニングタスクで共有される明示的なハイパーパラメータ予測関数の学習として解釈する。 このような設定は、メタ学習方法論が多様なクエリタスクに柔軟に適合できることを保証する。
  論文  参考訳（メタデータ） (2021-07-06T04:05:08Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)

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。