論文の概要: Multi-population Ensemble Genetic Programming via Cooperative Coevolution and Multi-view Learning for Classification

• arxiv url: http://arxiv.org/abs/2509.19339v1
• Date: Tue, 16 Sep 2025 01:32:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.489744
• Title: Multi-population Ensemble Genetic Programming via Cooperative Coevolution and Multi-view Learning for Classification
• Title（参考訳）: 協調的共進化と多視点学習による遺伝的プログラミングの集団化
• Authors: Mohammad Sadegh Khorshidi, Navid Yazdanjue, Hassan Gharoun, Mohammad Reza Nikoo, Fang Chen, Amir H. Gandomi,
• Abstract要約: Multi-population Ensemble Genetic Programming (MEGP) は、協調的共進化と多視点学習パラダイムを統合する計算知能フレームワークである。 MEGPは入力空間を条件に依存しない特徴部分集合に分解し、複数のサブポピュレーションを並列に進化させることができる。 収束挙動や一般化性能の点で、ベースラインGPモデルよりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 9.17282078449475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces Multi-population Ensemble Genetic Programming (MEGP), a computational intelligence framework that integrates cooperative coevolution and the multiview learning paradigm to address classification challenges in high-dimensional and heterogeneous feature spaces. MEGP decomposes the input space into conditionally independent feature subsets, enabling multiple subpopulations to evolve in parallel while interacting through a dynamic ensemble-based fitness mechanism. Each individual encodes multiple genes whose outputs are aggregated via a differentiable softmax-based weighting layer, enhancing both model interpretability and adaptive decision fusion. A hybrid selection mechanism incorporating both isolated and ensemble-level fitness promotes inter-population cooperation while preserving intra-population diversity. This dual-level evolutionary dynamic facilitates structured search exploration and reduces premature convergence. Experimental evaluations across eight benchmark datasets demonstrate that MEGP consistently outperforms a baseline GP model in terms of convergence behavior and generalization performance. Comprehensive statistical analyses validate significant improvements in Log-Loss, Precision, Recall, F1 score, and AUC. MEGP also exhibits robust diversity retention and accelerated fitness gains throughout evolution, highlighting its effectiveness for scalable, ensemble-driven evolutionary learning. By unifying population-based optimization, multi-view representation learning, and cooperative coevolution, MEGP contributes a structurally adaptive and interpretable framework that advances emerging directions in evolutionary machine learning.
• Abstract（参考訳）: 本稿では、協調的共進化と多視点学習パラダイムを統合し、高次元および異種特徴空間における分類問題に対処する計算知能フレームワークMEGPを紹介する。 MEGPは入力空間を条件に依存しない特徴部分集合に分解し、動的アンサンブルベースのフィットネス機構を介して相互作用しながら複数のサブポピュレーションを並列に進化させることができる。 各個体は、異なるソフトマックスベースの重み付け層を介して出力を集約する複数の遺伝子をコードし、モデルの解釈可能性と適応的な決定融合を増強する。 孤立度とアンサンブルレベルの適合度を組み込んだハイブリッド選択機構は、人口内多様性を保ちながら、人口間協力を促進する。 この二重レベルの進化力学は、構造化された探索を容易にし、早めの収束を減少させる。 8つのベンチマークデータセットの実験的評価により、MEGPは収束挙動と一般化性能の点で、ベースラインGPモデルより一貫して優れていることが示された。 総合統計分析は、ログロス、精度、リコール、F1スコア、AUCの大幅な改善を検証した。 MEGPはまた、堅牢な多様性の維持と、進化を通じてフィットネス向上を加速し、スケーラブルでアンサンブル駆動の進化学習におけるその効果を強調している。 人口ベース最適化、多視点表現学習、協調的共進化を統一することにより、MEGPは進化的機械学習における新たな方向性を推し進める構造的適応性と解釈可能なフレームワークに寄与する。

関連論文リスト

• Multi-population GAN Training: Analyzing Co-Evolutionary Algorithms [0.3683202928838613]
  GAN(Generative Adversarial Network)は強力な生成モデルであるが,モード崩壊や不安定性などの病態のため,トレーニングが困難である。 近年の研究では、ジェネレータと識別器の個体群が進化する進化的アプローチが研究されている。 本稿では,異なる共進化的GANトレーニング戦略の実証分析を行い,選択と代替メカニズムの影響に着目した。
  論文  参考訳（メタデータ） (2025-07-17T14:19:17Z)
• Layer-wise Quantization for Quantized Optimistic Dual Averaging [75.4148236967503]
  我々は、訓練の過程で不均一性に適応し、厳密な分散とコード長境界を持つ一般的な層ワイド量子化フレームワークを開発する。 本稿では,適応学習率を持つ量子最適化双対平均化(QODA)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-20T13:53:58Z)
• Regularized Neural Ensemblers [55.15643209328513]
  本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• Semantically Rich Local Dataset Generation for Explainable AI in Genomics [0.716879432974126]
  ゲノム配列に基づいて訓練されたブラックボックス深層学習モデルは、異なる遺伝子制御機構の結果を予測するのに優れている。 本稿では、遺伝的プログラミングを用いて、その意味的多様性に寄与する配列の摂動を進化させることによりデータセットを生成することを提案する。
  論文  参考訳（メタデータ） (2024-07-03T10:31:30Z)
• When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
  事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。 進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
  論文  参考訳（メタデータ） (2024-01-19T05:58:30Z)
• DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary Intelligence [77.78795329701367]
  本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。 我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。 今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
  論文  参考訳（メタデータ） (2023-12-08T16:51:10Z)
• 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)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• cMLSGA: A Co-Evolutionary Multi-Level Selection Genetic Algorithm for Multi-Objective Optimization [0.0]
  MLSGA(Multi-Level Selection Genetic Algorithm)は、すでに様々な問題に対して優れた性能を示している。 本稿では,共進化を個人ではなく集団間の競争として定義する,個別の共進化機構を提案する。
  論文  参考訳（メタデータ） (2021-04-22T13:52:21Z)
• 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)

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。