論文の概要: EvoForest: A Novel Machine-Learning Paradigm via Open-Ended Evolution of Computational Graphs

• arxiv url: http://arxiv.org/abs/2604.19761v1
• Date: Thu, 26 Mar 2026 00:07:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.053553
• Title: EvoForest: A Novel Machine-Learning Paradigm via Open-Ended Evolution of Computational Graphs
• Title（参考訳）: EvoForest: 計算グラフのオープンな進化による新しい機械学習パラダイム
• Authors: Kamer Ali Yuksel, Hassan Sawaf,
• Abstract要約: 本稿では,計算のエンドツーエンドな進化のためのハイブリッド型ニューロシンボリックシステムであるEvoForestを紹介する。 単に機能を生成するのではなく、EvoForestは再利用可能な計算構造、呼び出し可能な関数ファミリー、トレーニング可能な低次元連続コンポーネントを共同で進化させる。 各グラフ構成について、EvoForestは発見された計算を評価し、軽量のリッジベースの読み出しを使用して結果の表現をスコアする。
• 参考スコア（独自算出の注目度）: 2.7010154811483162
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern machine learning is still largely organized around a single recipe: choose a parameterized model family and optimize its weights. Although highly successful, this paradigm is too narrow for many structured prediction problems, where the main bottleneck is not parameter fitting but discovering what should be computed from the data. Success often depends on identifying the right transformations, statistics, invariances, interaction structures, temporal summaries, gates, or nonlinear compositions, especially when objectives are non-differentiable, evaluation is cross-validation-based, interpretability matters, or continual adaptation is required. We present EvoForest, a hybrid neuro-symbolic system for end-to-end open-ended evolution of computation. Rather than merely generating features, EvoForest jointly evolves reusable computational structure, callable function families, and trainable low-dimensional continuous components inside a shared directed acyclic graph. Intermediate nodes store alternative implementations, callable nodes encode reusable transformation families such as projections, gates, and activations, output nodes define candidate predictive computations, and persistent global parameters can be refined by gradient descent. For each graph configuration, EvoForest evaluates the discovered computation and uses a lightweight Ridge-based readout to score the resulting representation against a non-differentiable cross-validation target. The evaluator also produces structured feedback that guides future LLM-driven mutations. In the 2025 ADIA Lab Structural Break Challenge, EvoForest reached 94.13% ROC-AUC after 600 evolution steps, exceeding the publicly reported winning score of 90.14% under the same evaluation protocol.
• Abstract（参考訳）: 現代の機械学習は依然として、パラメータ化されたモデルファミリを選択し、その重みを最適化する、単一のレシピを中心に構成されている。 非常に成功したにもかかわらず、このパラダイムは多くの構造化予測問題にとって狭すぎる。主なボトルネックはパラメータの適合ではなく、データから計算すべきものを見つけることである。 成功はしばしば、正しい変換、統計、不変性、相互作用構造、時間的要約、ゲート、あるいは非線形構成を特定することに依存する。 本稿では,計算のエンドツーエンドな進化のためのハイブリッド型ニューロシンボリックシステムであるEvoForestを紹介する。 単に特徴を生成するのではなく、EvoForestは再利用可能な計算構造、呼び出し可能な関数ファミリー、共有非巡回グラフ内のトレーニング可能な低次元連続成分を共同で進化させる。 中間ノードは代替実装を格納し、呼び出し可能なノードはプロジェクション、ゲート、アクティベーションなどの再利用可能な変換ファミリをエンコードし、出力ノードは候補予測計算を定義する。 各グラフ構成について、EvoForestは、発見された計算を評価し、軽量のリッジベースの読み出しを使用して、結果の表現を微分不可能なクロスバリデーションターゲットに対してスコアする。 評価器はまた、将来のLSMによる突然変異を誘導する構造化されたフィードバックも生成する。 2025年のADIA Lab Structure Break Challengeで、エボフォレストは600の進化段階を経て94.13%のROC-AUCに達した。

関連論文リスト

• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Graph Structure Learning with Interpretable Bayesian Neural Networks [10.957528713294874]
  独立に解釈可能なパラメータを持つ新しい反復を導入する。 これらのパラメータは、エッジ空間のような推定グラフの特性に影響を与える。 これらの反復を解いた後、そのようなグラフの特徴に関する事前知識は、事前分布を形作る。 高速な実行とパラメータ効率により、高忠実度後部近似が可能となる。
  論文  参考訳（メタデータ） (2024-06-20T23:27:41Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• EGG-GAE: scalable graph neural networks for tabular data imputation [8.775728170359024]
  本稿では,データ計算に欠ける新しいEdGe生成グラフオートエンコーダ(EGG-GAE)を提案する。 EGG-GAEは、入力データのランダムにサンプリングされたミニバッチで動作し、各アーキテクチャ層におけるミニバッチ間の接続性を自動的に推測する。
  論文  参考訳（メタデータ） (2022-10-19T10:26:17Z)
• A Hybrid Framework for Sequential Data Prediction with End-to-End Optimization [0.0]
  オンライン環境での非線形予測について検討し,手作業による特徴や手作業によるモデル選択の問題を効果的に緩和するハイブリッドモデルを提案する。 逐次データからの適応的特徴抽出にはLSTM(Recurrent Neural Network)、効果的な教師付き回帰には勾配強化機構(soft GBDT)を用いる。 本稿では, 合成データに対するアルゴリズムの学習挙動と, 各種実生活データセットに対する従来の手法による性能改善について述べる。
  論文  参考訳（メタデータ） (2022-03-25T17:13:08Z)
• Top-N: Equivariant set and graph generation without exchangeability [61.24699600833916]
  集合やグラフ上の分布の前にベクトル形状をマッピングするワンショット確率デコーダを考える。 これらの機能は、可変オートエンコーダ(VAE)、生成逆数ネットワーク(GAN)、正規化フローに統合することができる。 Top-nは、トレーニング可能な参照セットから最も関連性の高いポイントを選択することを学ぶ、決定論的で非交換可能なセット生成メカニズムである。
  論文  参考訳（メタデータ） (2021-10-05T14:51:19Z)
• Inception Convolution with Efficient Dilation Search [121.41030859447487]
  拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。 そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。 本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
  論文  参考訳（メタデータ） (2020-12-25T14:58:35Z)
• Probabilistic Numeric Convolutional Neural Networks [80.42120128330411]
  画像や時系列などの連続的な入力信号は、不規則にサンプリングされたり、値が欠けていたりすることは、既存のディープラーニング手法では困難である。 ガウス過程(GP)として特徴を表す確率的畳み込みニューラルネットワークを提案する。 次に、畳み込み層を、このGP上で定義されたPDEの進化として定義し、次いで非線形性とする。 実験では,SuperPixel-MNISTデータセットの先行技術と医療時間2012データセットの競合性能から,提案手法の誤差を3倍に削減できることが示されている。
  論文  参考訳（メタデータ） (2020-10-21T10:08:21Z)

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。