論文の概要: The Effects of Population Size on the Performance of BEAGLE GPU-Based Genetic Programming Runs

• arxiv url: http://arxiv.org/abs/2604.24968v1
• Date: Mon, 27 Apr 2026 20:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.584585
• Title: The Effects of Population Size on the Performance of BEAGLE GPU-Based Genetic Programming Runs
• Title（参考訳）: BEAGLE GPUに基づく遺伝的プログラミングの実行性能に及ぼす集団サイズの影響
• Authors: Nathan Haut, Ilya Basin, Ruchika Gupta, Marzieh Kianinejad, Zachary Perrico, Elijah Smith, Wolfgang Banzhaf,
• Abstract要約: この研究は、GPUが利用できる人口規模が、シンボリック回帰問題に対するトレーニングの成功にどのように影響するかを考察する。 いくつかの問題に対して、非常に狭く深い探索(1000人まで)を使用することの利点がある一方、他の問題は非常に広範で浅い探索(1000万人までの範囲)の恩恵がある。 また、人口の多さと探索の深さのバランスをとるために、人口の多さから始まり、少数の人口へと減少する段階的な人口規模についても検討する。
• 参考スコア（独自算出の注目度）: 0.9744346550335888
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Beagle framework, through GPU-based Genetic Programming, enables population dynamics previously unattainable (within practical time frames) by CPU-constrained Genetic Programming systems. This work explores how GPU-enabled population sizes impact the success of training for symbolic regression problems. Specifically, when using constant population sizes, we see benefits of using very narrow and deep searches (as narrow as 1000 individuals) for some problems, while other problems benefit from very broad and shallow searches (as broad as 10 million individuals). We also explore stepped population sizes that start with large populations and drop to small populations to balance the breadth and depth of search.
• Abstract（参考訳）: Beagleフレームワークは、GPUベースの遺伝的プログラミングを通じて、CPUに制約のある遺伝的プログラミングシステムによって、それまでは達成不可能な(実用的な時間枠なしで)人口動態を可能にする。 この研究は、GPUが利用できる人口規模が、シンボリック回帰問題に対するトレーニングの成功にどのように影響するかを考察する。 具体的には、一定の人口規模を使用する場合、いくつかの問題に対して非常に狭く深い探索(1000人まで)を使用することの利点を見出す一方、他の問題は非常に広範囲で浅い探索(1000万人までの範囲)の恩恵を受ける。 また、人口の多さと探索の深さのバランスをとるために、人口の多さから始まり、少数の人口へと減少する段階的な人口規模についても検討する。

関連論文リスト

• GPU-Accelerated Algorithms for Graph Vector Search: Taxonomy, Empirical Study, and Research Directions [54.570944939061555]
  本稿では,GPU加速グラフに基づくベクトル探索アルゴリズムについて包括的に研究する。 我々は、GPU最適化戦略の詳細な分類を確立し、アルゴリズムタスクとハードウェア実行ユニット間のマッピングを明確にする。 我々の発見は、スケーラブルで堅牢なGPUベースの近接検索システムを設計するための明確なガイドラインを提供する。
  論文  参考訳（メタデータ） (2026-02-10T16:18:04Z)
• Guiding Genetic Programming with Graph Neural Networks [0.20718016474717196]
  本稿では,記号回帰問題から付加的な知識を引き出すためにグラフニューラルネットワークを用いたEvoNUDGEを提案する。 多数の問題インスタンスに対する広範な実験では、EvoNUDGEは複数のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-11-03T20:43:31Z)
• Improving genetic algorithms performance via deterministic population shrinkage [9.334663477968027]
  本稿では,遺伝的アルゴリズム(GA)の性能に対する簡易変数集団サイズ法の適用可能性に関する実証的研究について述べる。 それは、所定のスケジュールに従ってGAランの人口を減少させ、速度と重大度パラメータによって構成する。 その結果,SVPS-GAは性能を向上しながら解の質を保ちつつ,性能向上に要する評価回数を削減し,速度重大性の組合せを示した。
  論文  参考訳（メタデータ） (2024-01-22T17:05:16Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Learnable Behavior Control: Breaking Atari Human World Records via Sample-Efficient Behavior Selection [80.35510218548693]
  本稿では,LBC(Learable Behavioral Control)と呼ばれるフレームワークを提案する。 我々のエージェントは10077.52%の平均正規化スコアを達成し、1Bのトレーニングフレーム内で24人の世界記録を突破した。
  論文  参考訳（メタデータ） (2023-05-09T08:00:23Z)
• From Understanding Genetic Drift to a Smart-Restart Mechanism for Estimation-of-Distribution Algorithms [16.904475483445452]
  我々は,分布推定アルゴリズム(EDAs)のためのスマートリスタート機構を開発する。 遺伝的ドリフトのリスクが高い場合、実行を停止することで、適切なパラメーター条件下でEDAを自動的に実行します。 スマートリスタート機構は,文献で示唆されるものよりも,集団サイズに対してはるかに優れた値を見出すことを示す。
  論文  参考訳（メタデータ） (2022-06-18T02:46:52Z)
• A Metaheuristic Algorithm for Large Maximum Weight Independent Set Problems [58.348679046591265]
  ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。 このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。 我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-03-28T21:34:16Z)
• Frequent Itemset-driven Search for Finding Minimum Node Separators in Complex Networks [61.2383572324176]
  本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。 頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。 特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
  論文  参考訳（メタデータ） (2022-01-18T11:16:40Z)
• From Understanding Genetic Drift to a Smart-Restart Parameter-less Compact Genetic Algorithm [15.56430085052365]
  遺伝的なドリフトのない体制では、実行期間は人口規模にほぼ比例する。 本稿では,遺伝的アルゴリズムのパラメータレスバージョンを提案する。
  論文  参考訳（メタデータ） (2020-04-15T15:12:01Z)

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。