論文の概要: Decoupling Representation and Learning in Genetic Programming: the LaSER Approach

• arxiv url: http://arxiv.org/abs/2505.17309v2
• Date: Fri, 06 Jun 2025 08:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:42.991265
• Title: Decoupling Representation and Learning in Genetic Programming: the LaSER Approach
• Title（参考訳）: 遺伝的プログラミングにおける表現と学習の分離:LaSERアプローチ
• Authors: Nam H. Le, Josh Bongard,
• Abstract要約: 生涯学習から表現進化を分離するフレームワークであるLaSERを提案する。 LaSER が標準 GP と GP を上回り、線形回帰が続くことを示す。 表現と適応の役割を分離することで、LaSERは象徴的回帰と分類の原則と枠組みを提供する。
• 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: Genetic Programming (GP) has traditionally entangled the evolution of symbolic representations with their performance-based evaluation, often relying solely on raw fitness scores. This tight coupling makes GP solutions more fragile and prone to overfitting, reducing their ability to generalize. In this work, we propose LaSER (Latent Semantic Representation Regression)} -- a general framework that decouples representation evolution from lifetime learning. At each generation, candidate programs produce features which are passed to an external learner to model the target task. This approach enables any function approximator, from linear models to neural networks, to serve as a lifetime learner, allowing expressive modeling beyond conventional symbolic forms. Here we show for the first time that LaSER can outcompete standard GP and GP followed by linear regression when it employs non-linear methods to fit coefficients to GP-generated equations against complex data sets. Further, we explore how LaSER enables the emergence of innate representations, supporting long-standing hypotheses in evolutionary learning such as the Baldwin Effect. By separating the roles of representation and adaptation, LaSER offers a principled and extensible framework for symbolic regression and classification.
• Abstract（参考訳）: 遺伝的プログラミング(GP)は伝統的に、象徴的表現の進化とパフォーマンスに基づく評価を絡み合わせてきた。 この密結合によりGP解はより脆弱になり、過剰適合しにくくなり、一般化する能力が低下する。 本研究では,LaSER(Latent Semantic Representation Regression)を提案する。 各世代において、候補プログラムは、対象タスクをモデル化するために外部学習者に渡される特徴を生成する。 このアプローチは、線形モデルからニューラルネットワークまで、任意の関数近似器を生涯学習者として機能させ、従来の記号形式を超えた表現的モデリングを可能にする。 ここでは,LaSER が標準 GP と GP を上回り,非線型法を用いて複素データセットに対する GP 生成方程式に係数を適合させる場合の線形回帰を初めて示す。 さらに、LaSERが自然表現の出現を可能にし、ボールドウィン効果のような進化学習における長年の仮説を裏付ける方法について考察する。 表現と適応の役割を分離することで、LaSERは象徴的回帰と分類のための原則的で拡張可能なフレームワークを提供する。

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。