論文の概要: Introns and Templates Matter: Rethinking Linkage in GP-GOMEA

• arxiv url: http://arxiv.org/abs/2602.02311v1
• Date: Mon, 02 Feb 2026 16:42:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.30258
• Title: Introns and Templates Matter: Rethinking Linkage in GP-GOMEA
• Title（参考訳）: イントロンとテンプレート:GP-GOMEAにおけるリンクの再考
• Authors: Johannes Koch, Tanja Alderliesten, Peter A. N. Bosman,
• Abstract要約: GP-GOMEAでは,GP木におけるノード位置間の相互情報を用いてリンクを学習している。 本稿では,相互情報推定においてイントロンを明示的に考慮するリンク学習と,グレーボックスの観点からGP-GOMEAにおけるリンク学習を再考する2つの新しい手法を提案する。 新たに学習したリンケージ構造はテンプレートリンケージ構造を密接に反映しており,テンプレート構造を明示的に使用することで全体として最高の性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 1.2234742322758418
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: GP-GOMEA is among the state-of-the-art for symbolic regression, especially when it comes to finding small and potentially interpretable solutions. A key mechanism employed in any GOMEA variant is the exploitation of linkage, the dependencies between variables, to ensure efficient evolution. In GP-GOMEA, mutual information between node positions in GP trees has so far been used to learn linkage. For this, a fixed expression template is used. This however leads to introns for expressions smaller than the full template. As introns have no impact on fitness, their occurrences are not directly linked to selection. Consequently, introns can adversely affect the extent to which mutual information captures dependencies between tree nodes. To overcome this, we propose two new measures for linkage learning, one that explicitly considers introns in mutual information estimates, and one that revisits linkage learning in GP-GOMEA from a grey-box perspective, yielding a measure that needs not to be learned from the population but is derived directly from the template. Across five standard symbolic regression problems, GP-GOMEA achieves substantial improvements using both measures. We also find that the newly learned linkage structure closely reflects the template linkage structure, and that explicitly using the template structure yields the best performance overall.
• Abstract（参考訳）: GP-GOMEAは、特に小さく、潜在的に解釈可能な解を見つける際に、象徴的回帰の最先端の1つである。 GOMEAの変種で採用されている重要なメカニズムは、効率的な進化を保証するために、変数間の依存関係であるリンケージの活用である。 GP-GOMEAでは, GP木におけるノード位置間の相互情報を用いてリンクを学習している。 これに対して、固定式テンプレートが使用される。 しかし、これはフルテンプレートよりも小さい式に対するintronに繋がる。 イントロンはフィットネスに影響を与えないので、それらの発生は選択に直接関連しない。 その結果、イントロンは、相互情報がツリーノード間の依存関係をキャプチャする程度に悪影響を及ぼす可能性がある。 そこで本稿では,相互情報推定においてイントロンを明示的に考慮する新たなリンク学習手法と,グレーボックスの観点からGP-GOMEAのリンク学習を再検討する手法を提案する。 GP-GOMEAは5つの標準的シンボリック回帰問題にまたがって、両方の測度を用いて実質的な改善を達成している。 また,新たに学習したリンケージ構造はテンプレートリンケージ構造を密接に反映しており,テンプレート構造を明示的に使用することで全体として最高の性能が得られることがわかった。

関連論文リスト

• Aggregation-aware MLP: An Unsupervised Approach for Graph Message-passing [10.93155007218297]
  AMLP"は、アグリゲーション関数を直接作成することから適応アグリゲーションへとパラダイムをシフトする、教師なしのフレームワークである。 提案手法は2つの重要なステップから構成される: まず、高次グルーピング効果を促進するグラフ再構成を利用する。
  論文  参考訳（メタデータ） (2025-07-27T04:52:55Z)
• 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)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• 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)
• OrthoReg: Improving Graph-regularized MLPs via Orthogonality Regularization [66.30021126251725]
  グラフニューラルネットワーク(GNN)は現在、グラフ構造データのモデリングにおいて支配的である。 グラフ正規化ネットワーク(GR-MLP)はグラフ構造情報をモデル重みに暗黙的に注入するが、その性能はほとんどのタスクにおいてGNNとほとんど一致しない。 GR-MLPは,最大数個の固有値が埋め込み空間を支配する現象である次元崩壊に苦しむことを示す。 次元崩壊問題を緩和する新しいGR-MLPモデルであるOrthoRegを提案する。
  論文  参考訳（メタデータ） (2023-01-31T21:20:48Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
  シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。 既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。 両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
  論文  参考訳（メタデータ） (2022-05-03T04:21:15Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• Adaptive Universal Generalized PageRank Graph Neural Network [36.850433364139924]
  グラフニューラルネットワーク(GNN)は、両方の証拠源を利用するように設計されている。 本稿では,GPR重みを適応的に学習する汎用PageRank (GPR) GNNアーキテクチャを提案する。 GPR-GNNは、合成データとベンチマークデータの両方の既存の技術と比較して、大幅な性能改善を提供する。
  論文  参考訳（メタデータ） (2020-06-14T19:27:39Z)

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。