論文の概要: A Better Multi-Objective GP-GOMEA -- But do we Need it?

• arxiv url: http://arxiv.org/abs/2507.03777v1
• Date: Fri, 04 Jul 2025 18:54:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.875317
• Title: A Better Multi-Objective GP-GOMEA -- But do we Need it?
• Title（参考訳）: GP-GOMEAの改良 - でも必要か?
• Authors: Joe Harrison, Tanja Alderliesten. Peter A. N. Bosman,
• Abstract要約: シンボリック回帰(SR)では、正確性と解釈可能性の適切なバランスを達成することが重要な課題である。 Gene-pool Optimal Mixing Evolutionary Algorithm (GP-GOMEA) の遺伝的プログラミングの変種は、表現のサイズを制限するテンプレートを用いて最先端のパフォーマンスを達成するために特に関心がある。 最近導入されたモジュラGP-GOMEAは、複数の部分表現を使って表現を分解することができ、さらに解釈可能性を高めることができる。 GP-GOMEAの多目的変種が存在し、例えば、サイズと精度を同時に最適化するために使用することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Symbolic Regression (SR), achieving a proper balance between accuracy and interpretability remains a key challenge. The Genetic Programming variant of the Gene-pool Optimal Mixing Evolutionary Algorithm (GP-GOMEA) is of particular interest as it achieves state-of-the-art performance using a template that limits the size of expressions. A recently introduced expansion, modular GP-GOMEA, is capable of decomposing expressions using multiple subexpressions, further increasing chances of interpretability. However, modular GP-GOMEA may create larger expressions, increasing the need to balance size and accuracy. A multi-objective variant of GP-GOMEA exists, which can be used, for instance, to optimize for size and accuracy simultaneously, discovering their trade-off. However, even with enhancements that we propose in this paper to improve the performance of multi-objective modular GP-GOMEA, when optimizing for size and accuracy, the single-objective version in which a multi-objective archive is used only for logging, still consistently finds a better average hypervolume. We consequently analyze when a single-objective approach should be preferred. Additionally, we explore an objective that stimulates re-use in multi-objective modular GP-GOMEA.
• Abstract（参考訳）: シンボリック回帰(SR)では、正確性と解釈可能性の適切なバランスを達成することが重要な課題である。 Gene-pool Optimal Mixing Evolutionary Algorithm (GP-GOMEA) の遺伝的プログラミングの変種は、表現のサイズを制限するテンプレートを用いて最先端のパフォーマンスを達成するために特に関心がある。 最近導入されたモジュラGP-GOMEAは、複数の部分表現を使って表現を分解することができ、さらに解釈可能性を高めることができる。 しかし、モジュールGP-GOMEAはより大きな表現を生成する可能性があり、サイズと精度のバランスを取る必要が生じる。 GP-GOMEAの多目的変種が存在し、例えば、サイズと精度を同時に最適化し、トレードオフを発見できる。 しかし,本論文では,多目的モジュールGP-GOMEAの性能向上が提案されているが,サイズと精度を最適化する場合,ロギングにのみ多目的アーカイブを使用する単一目的バージョンでは,常に平均ハイパーボリュームが向上している。 その結果、単目的アプローチが好まれるべき時期を分析した。 さらに,多目的モジュールGP-GOMEAの再利用を促進する目的についても検討する。

関連論文リスト

• Thinking Outside the Template with Modular GP-GOMEA [0.0]
  本稿では,GP-GOMEAのモジュラー表現を用いて,複数の木を同時に進化させ,(機能的な)部分表現として使用できることを示す。 提案手法は一般に単音節のGP-GOMEAより優れており,モジュール部分表現を含まないGP-GOMEAよりも高速に,モジュール部分表現を用いた合成データセットの基底構造表現を明らかにすることができる。
  論文  参考訳（メタデータ） (2025-05-02T13:29:55Z)
• Improving the efficiency of GP-GOMEA for higher-arity operators [0.0]
  遺伝的プログラミング(GP)は、本質的に解釈可能な表現を進化させる方法を提供する。 GP-GOMEA (GP-GOMEA) はGPの1形態であり、サイズが制限されていないが正確な表現の進化に特に有効であることが見出され、解釈可能性の向上に寄与している。 本稿では,GP-GOMEAの2つの機能拡張について提案する。
  論文  参考訳（メタデータ） (2024-02-15T10:20:40Z)
• Shallow and Deep Nonparametric Convolutions for Gaussian Processes [0.0]
  GPの非パラメトリックプロセス畳み込み定式化を導入し,機能サンプリング手法を用いて弱点を緩和する。 古典的ディープGPモデルの代替となるこれらの非パラメトリック畳み込みの合成を提案する。
  論文  参考訳（メタデータ） (2022-06-17T19:03:04Z)
• Weighted Ensembles for Active Learning with Adaptivity [60.84896785303314]
  本稿では,ラベル付きデータに漸進的に適応した重み付きGPモデルのアンサンブルについて述べる。 この新しいEGPモデルに基づいて、不確実性および不一致ルールに基づいて、一連の取得関数が出現する。 適応的に重み付けされたEGPベースの取得関数のアンサンブルも、さらなる性能向上のために導入されている。
  論文  参考訳（メタデータ） (2022-06-10T11:48:49Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Multi-modal multi-objective model-based genetic programming to find multiple diverse high-quality models [0.0]
  遺伝的プログラミング(GP)は、しばしば説明可能な人工知能(XAI)に貢献するのに一意に適しているとされる。 本稿では,GP-GOMEAと呼ばれる現代モデルに基づくGPアルゴリズムを拡張した,新しいマルチモーダルマルチツリー多目的GPアプローチにより,これを正確に実現する。
  論文  参考訳（メタデータ） (2022-03-24T21:35:07Z)
• Scaling Gaussian Process Optimization by Evaluating a Few Unique Candidates Multiple Times [119.41129787351092]
  GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。 GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
  論文  参考訳（メタデータ） (2022-01-30T20:42:14Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• srMO-BO-3GP: A sequential regularized multi-objective constrained Bayesian optimization for design applications [7.571408082650611]
  逐次設定でMO最適化問題を解くために, srMO-BO-3GP と呼ばれる新しい多目的拡張(MO)を提案する。 提案手法は,いくつかの数値ベンチマーク関数と,フリップチップパッケージ設計のための熱力学的有限要素モデルを用いて実証される。
  論文  参考訳（メタデータ） (2020-07-07T14:40:00Z)
• Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
  サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。 本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。 本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T14:24:05Z)

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。