論文の概要: Domain-Informed Genetic Superposition Programming: A Case Study on SFRC Beams
- arxiv url: http://arxiv.org/abs/2509.21355v1
- Date: Sat, 20 Sep 2025 03:32:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-29 20:57:53.861145
- Title: Domain-Informed Genetic Superposition Programming: A Case Study on SFRC Beams
- Title（参考訳）: ドメインインフォームド遺伝子重畳プログラミング:SFRCビームの事例研究
- Authors: Mohammad Sadegh Khorshidi, Navid Yazdanjue, Hassan Gharoun, Mohammad Reza Nikoo, Fang Chen, Amir H. Gandomi,
- Abstract要約: 本研究はドメインインフォームド遺伝子重畳プログラミング(DIGSP)を提案する。
DIGSPは入力空間をドメイン固有の特徴サブセットに分割し、独立した遺伝的プログラミング(GP)集団を進化させ、物質固有の効果をモデル化する。
65%のトレーニング、10%のバリデーション、25%のテスト分割を含む30の独立した試験において、DIGSPはトレーニングおよびテストルート平均二乗誤差(RMSE)において一貫してBGPを上回った。
- 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 study presents domain-informed genetic superposition programming (DIGSP), a symbolic regression framework tailored for engineering systems governed by separable physical mechanisms. DIGSP partitions the input space into domain-specific feature subsets and evolves independent genetic programming (GP) populations to model material-specific effects. Early evolution occurs in isolation, while ensemble fitness promotes inter-population cooperation. To enable symbolic superposition, an adaptive hierarchical symbolic abstraction mechanism (AHSAM) is triggered after stagnation across all populations. AHSAM performs analysis of variance- (ANOVA) based filtering to identify statistically significant individuals, compresses them into symbolic constructs, and injects them into all populations through a validation-guided pruning cycle. The DIGSP is benchmarked against a baseline multi-gene genetic programming (BGP) model using a dataset of steel fiber-reinforced concrete (SFRC) beams. Across 30 independent trials with 65% training, 10% validation, and 25% testing splits, DIGSP consistently outperformed BGP in training and test root mean squared error (RMSE). The Wilcoxon rank-sum test confirmed statistical significance (p < 0.01), and DIGSP showed tighter error distributions and fewer outliers. No significant difference was observed in validation RMSE due to limited sample size. These results demonstrate that domain-informed structural decomposition and symbolic abstraction improve convergence and generalization. DIGSP offers a principled and interpretable modeling strategy for systems where symbolic superposition aligns with the underlying physical structure.
- Abstract（参考訳）: 本研究では,ドメインインフォームド遺伝子重畳プログラミング(DIGSP)について述べる。
DIGSPは入力空間をドメイン固有の特徴サブセットに分割し、独立した遺伝的プログラミング(GP)集団を進化させ、物質固有の効果をモデル化する。
初期進化は孤立して起こるが、アンサンブル適合性は集団間協力を促進する。
記号的重ね合わせを可能にするため、すべての個体群で停滞した後、適応的階層的シンボル抽象機構(AHSAM)が起動される。
AHSAMは、統計学的に重要な個人を特定し、それらを象徴的な構成物に圧縮し、検証誘導プルーニングサイクルを通じて全集団に注入するために、分散(ANOVA)に基づくフィルタリングの分析を行う。
DIGSPは鋼繊維強化コンクリート(SFRC)のデータセットを用いてベースライン多遺伝子遺伝的プログラミング(BGP)モデルと比較される。
65%のトレーニング、10%のバリデーション、25%のテスト分割を含む30の独立した試験で、DIGSPはトレーニングにおいてBGPを一貫して上回り、根の平均二乗誤差(RMSE)をテストした。
Wilcoxon rank-sum testにより統計的意義が確認された(p < 0.01)。
RMSEでは試料径の制限により有意差は認められなかった。
これらの結果は、ドメインインフォームド構造分解とシンボリック抽象化が収束と一般化を改善することを証明している。
DIGSPは、記号的重ね合わせが基礎となる物理的構造と整合するシステムに対して、原則的で解釈可能なモデリング戦略を提供する。
関連論文リスト
- Large-Scale Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
ローカル推論戦略を用いることで、我々のアプローチは変数数に線形な複雑さを伴ってスケールし、数千の変数に効率的にスケールアップする。
大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
論文 参考訳（メタデータ） (2024-08-29T02:21:11Z) - 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) - iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive
Noise Models [48.33685559041322]
本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。
提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
論文 参考訳（メタデータ） (2023-06-30T01:48:11Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - Score-based Causal Representation Learning with Interventions [54.735484409244386]
本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。
目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
論文 参考訳（メタデータ） (2023-01-19T18:39:48Z) - Learning Causal Representations of Single Cells via Sparse Mechanism
Shift Modeling [3.2435888122704037]
本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。
これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
論文 参考訳（メタデータ） (2022-11-07T15:47:40Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-01-28T09:30:32Z) - Mycorrhiza: Genotype Assignment usingPhylogenetic Networks [2.286041284499166]
遺伝子型代入問題に対する機械学習手法であるMycorrhizaを紹介する。
提案アルゴリズムは系統ネットワークを用いて,標本間の進化的関係を符号化する特徴を設計する。
Mycorrhizaは、大きな平均固定指数(FST)を持つデータセットやハーディ・ワインバーグ平衡からの偏差で特に顕著な利得を得る。
論文 参考訳（メタデータ） (2020-10-14T02:36:27Z) - Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。
従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。
本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文 参考訳（メタデータ） (2020-04-07T04:07:29Z)
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。