論文の概要: GPU-Accelerated Genetic Programming for Symbolic Regression with Beagle Framework

• arxiv url: http://arxiv.org/abs/2603.12292v1
• Date: Tue, 10 Mar 2026 20:13:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.680444
• Title: GPU-Accelerated Genetic Programming for Symbolic Regression with Beagle Framework
• Title（参考訳）: Beagleフレームワークを用いたシンボリック回帰のためのGPUによる遺伝的プログラミング
• Authors: Nathan Haut, Ilya Basin, Marzieh Kianinejad, Ruchika Gupta, Elijah Smith, Zachary Perrico, Wolfgang Banzhaf,
• Abstract要約: We report on the benchmarking of Beagle on the Feynman Symbolic Regression dataset。 結果は、BeagleのGPU支援のシンボリック回帰が、主要なCPUベースのフレームワークよりも大幅に優れていることを示している。
• 参考スコア（独自算出の注目度）: 0.9744346550335888
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Beagle is a new software framework that enables execution of Genetic Programming tasks on the GPU. Currently available for symbolic regression, it processes individuals of the population and fitness cases for training in a way that maximizes throughput on extant GPU platforms. In this contribution, we report on the benchmarking of Beagle on the Feynman Symbolic Regression dataset and compare its performance with a fast CPU system called StackGP and the widely available PySR system under the same wall clock budget. We also report on the use of two different fitness functions, one a point-to-point error function, the other a correlation fitness function. The results demonstrate that the Beagle's GPU-aided Symbolic Regression significantly outperforms leading CPU-based frameworks.
• Abstract（参考訳）: BeagleはGPU上での遺伝的プログラミングタスクの実行を可能にする新しいソフトウェアフレームワークである。 現在、シンボリックレグレッションのために利用可能であり、既存のGPUプラットフォームでのスループットを最大化する方法で、トレーニング用の人口とフィットネスケースの個人を処理する。 本稿では,Feynman Symbolic Regressionデータセット上でのBeagleのベンチマークについて報告し,その性能をStackGPと呼ばれる高速CPUシステムと,壁面クロックの予算で広く利用可能なPySRシステムと比較する。 また,2つの異なる適合関数(1つは点対点誤差関数,もう1つは相関適合関数)の使用について報告する。 結果は、BeagleのGPU支援のシンボリック回帰が、主要なCPUベースのフレームワークよりも大幅に優れていることを示している。

関連論文リスト

• Enabling Population-Level Parallelism in Tree-Based Genetic Programming for GPU Acceleration [9.421242935448722]
  木に基づく遺伝的プログラミング(TGP)は、記号回帰、分類、ロボット制御などのタスクに広く用いられている進化的計算アルゴリズムである。 EvoGPは、TGPのGPUアクセラレーションに適した高性能なフレームワークである。
  論文  参考訳（メタデータ） (2025-01-21T07:42:54Z)
• Dolphin: A Programmable Framework for Scalable Neurosymbolic Learning [17.258639426622405]
  我々は、PythonでニューロシンボリックプログラムをサポートするフレームワークであるDOLPHINを紹介する。 13のベンチマークでテキスト、画像、ビデオデータにまたがるタスクを網羅し、DOLPHINは最先端の精度に収束する。
  論文  参考訳（メタデータ） (2024-10-04T12:12:36Z)
• High Performance Computing Applied to Logistic Regression: A CPU and GPU Implementation Comparison [0.0]
  汎用GPUによるロジスティック回帰(LR)の並列バージョンを提案する。 我々の実装は、X. Zouらによって提案された並列なグラディエントDescent Logistic Regressionアルゴリズムの直接変換である。 本手法は,画像認識,スパム検出,不正検出などのリアルタイム予測に特に有用である。
  論文  参考訳（メタデータ） (2023-08-19T14:49:37Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Stochastic Gradient Descent without Full Data Shuffle [65.97105896033815]
  CorgiPileは階層的なデータシャッフル戦略で、完全なデータシャッフルを回避すると同時に、完全なシャッフルを実行したかのようにSGDの収束率を同等に維持する。 以上の結果から,CorgiPileは深層学習モデルと一般化線形モデルの両方において,全シャッフルベースSGDと同等の収束率を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-12T20:04:31Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)
• MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical Models [96.1052289276254]
  この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。 驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
  論文  参考訳（メタデータ） (2020-04-16T16:20:53Z)

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。