論文の概要: Data-Driven Discovery of Interpretable Kalman Filter Variants through Large Language Models and Genetic Programming
- arxiv url: http://arxiv.org/abs/2508.11703v1
- Date: Wed, 13 Aug 2025 17:56:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.278098
- Title: Data-Driven Discovery of Interpretable Kalman Filter Variants through Large Language Models and Genetic Programming
- Title（参考訳）: 大規模言語モデルと遺伝的プログラミングによる解釈可能なカルマンフィルタ変数の探索
- Authors: Vasileios Saketos, Sebastian Kaltenbach, Sergey Litvinov, Petros Koumoutsakos,
- Abstract要約: 本稿では,Kalmanフィルタという科学計算アルゴリズムが,自動的,データ駆動型,進化的プロセスによって発見できるかどうかを考察する。
以上の結果から、カルマン最適性仮定が成立すると、我々のCGPおよびLLM支援進化の枠組みがほぼ最適解に収束することを示した。
これらの結果は、単純な計算モジュールの解釈可能なデータ駆動合成のための進化的アルゴリズムと生成モデルを組み合わせることが、科学計算におけるアルゴリズム発見の強力なアプローチであることを示している。
- 参考スコア（独自算出の注目度）: 2.7106139067586126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Algorithmic discovery has traditionally relied on human ingenuity and extensive experimentation. Here we investigate whether a prominent scientific computing algorithm, the Kalman Filter, can be discovered through an automated, data-driven, evolutionary process that relies on Cartesian Genetic Programming (CGP) and Large Language Models (LLM). We evaluate the contributions of both modalities (CGP and LLM) in discovering the Kalman filter under varying conditions. Our results demonstrate that our framework of CGP and LLM-assisted evolution converges to near-optimal solutions when Kalman optimality assumptions hold. When these assumptions are violated, our framework evolves interpretable alternatives that outperform the Kalman filter. These results demonstrate that combining evolutionary algorithms and generative models for interpretable, data-driven synthesis of simple computational modules is a potent approach for algorithmic discovery in scientific computing.
- Abstract（参考訳）: アルゴリズム発見は伝統的に人間の創造性と広範な実験に依存してきた。
本稿では,CGP (Cartesian Genetic Programming) とLLM (Large Language Models) に依存する自動的,データ駆動型,進化的プロセスによって,著名な科学計算アルゴリズムであるカルマンフィルタが発見できるかどうかを検討する。
我々はカルマンフィルタの様々な条件下での発見における両モード (CGP と LLM) の寄与を評価する。
以上の結果から、カルマン最適性仮定が成立すると、我々のCGPおよびLLM支援進化の枠組みがほぼ最適解に収束することを示した。
これらの仮定が破られた場合、我々のフレームワークはカルマンフィルタよりも優れた解釈可能な代替品を進化させる。
これらの結果は、単純な計算モジュールの解釈可能なデータ駆動合成のための進化的アルゴリズムと生成モデルを組み合わせることが、科学計算におけるアルゴリズム発見の強力なアプローチであることを示している。
関連論文リスト
- AI-Aided Kalman Filters [65.35350122917914]
カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。
最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。
本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
論文 参考訳（メタデータ） (2024-10-16T06:47:53Z) - Exhaustive Exploitation of Nature-inspired Computation for Cancer Screening in an Ensemble Manner [20.07173196364489]
本研究では、遺伝子発現データからがん分類のためのアンサンブル学習を改善するために、進化最適化逆アンサンブル学習(EODE)と呼ばれるフレームワークを提案する。
各種癌種を含む35の遺伝子発現ベンチマークデータセットを対象に実験を行った。
論文 参考訳（メタデータ） (2024-04-06T08:07:48Z) - Fast Genetic Algorithm for feature selection -- A qualitative approximation approach [5.279268784803583]
本稿では,遺伝的アルゴリズム(GA)を特徴選択に用いることによって生じる計算問題に対処するための,2段階の代理支援進化的アプローチを提案する。
我々はCHCQXがより高速に収束し、特に100K以上のインスタンスを持つ大規模データセットにおいて、非常に高い精度でサブセットソリューションを特徴付けることを示した。
論文 参考訳（メタデータ） (2024-04-05T10:15:24Z) - Improving RNA Secondary Structure Design using Deep Reinforcement
Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。
本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文 参考訳（メタデータ） (2021-11-05T02:54:06Z) - 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) - The data-driven physical-based equations discovery using evolutionary
approach [77.34726150561087]
与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。
このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。
解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
論文 参考訳（メタデータ） (2020-04-03T17:21:57Z)
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。