論文の概要: Improving Evaluation of Recombination-based Cartesian Genetic Programming

• arxiv url: http://arxiv.org/abs/2605.28353v1
• Date: Wed, 27 May 2026 11:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.020169
• Title: Improving Evaluation of Recombination-based Cartesian Genetic Programming
• Title（参考訳）: リコンビネーションに基づくカルテ型遺伝的プログラミングの精度向上
• Authors: Duy Long Tran, Anja Jankovic, Marie Anastacio, Holger Hoos, Roman Kalkreuth,
• Abstract要約: リコンビネーションベースのアプローチは、明らかにパフォーマンス向上の欠如のため、長い間避けられてきた。 本研究は,最近提案された組換え演算子,部分グラフクロスオーバーとSRBench上の離散表現型組換えについて検討した。
• 参考スコア（独自算出の注目度）: 1.1744028458220426
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cartesian Genetic Programming has traditionally been using mutation as its main and often sole genetic operator to drive evolutionary search. Despite advancements in recent years, recombinationbased approaches have long been avoided, due to apparent lack of performance gains. This study examines two recently suggested recombination-based operators, subgraph crossover and discrete phenotypic recombination on SRBench, a benchmarking platform for symbolic regression. Using the implementations provided in the TinyverseGP framework, we perform hyperparameter optimisation of the respective representations with these two operators. Our work demonstrates that hyperparameter optimisation can lead to improvements in performance for recombination-based Cartesian Genetic Programming.
• Abstract（参考訳）: カルテシアン遺伝プログラミングは伝統的に、進化的探索を駆動するために、突然変異を主要な、しばしば単独の遺伝的演算子として使用してきた。 近年の進歩にもかかわらず、リコンビネーションに基づくアプローチは、パフォーマンス向上の明らかな欠如により、長い間避けられてきた。 本研究は,シンボル回帰のためのベンチマークプラットフォームSRBench上で,最近提案された2つの組換え演算子,部分グラフクロスオーバーと離散表現型組換えについて検討する。 TinyverseGPフレームワークで提供される実装を用いて、これらの2つの演算子で各表現のハイパーパラメータ最適化を行う。 我々の研究は、ハイパーパラメータ最適化が組換えに基づくカルテシアン遺伝的プログラミングの性能向上につながることを実証している。

関連論文リスト

• Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
  scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。 scBIGは、特に目に見えない、摂動的な設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-03T16:43:40Z)
• Pascal-Weighted Genetic Algorithms: A Binomially-Structured Recombination Framework [0.0]
  PWR(Pascal-Weighted Recombination)は、複数の親の凸結合構造として子孫を形成する。 我々はPWRの数学的フレームワークを開発し、分散トランスファー特性を導出し、スキーマの生存に対するその影響を分析する。 4つのベンチマークにおいて、PWRはスムーズな収束と分散の低減を実現し、標準組換え演算子よりも9-22%の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-12-01T03:51:29Z)
• Decomposable Neuro Symbolic Regression [8.450904497835262]
  解釈可能な多変量式を生成する除算可能なシンボリック回帰(SR)法を提案する。 提案手法は, 学習された不透明な回帰モデルを, 計算関数の説明として機能する数学的表現に蒸留する。
  論文  参考訳（メタデータ） (2025-11-06T07:17:36Z)
• Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
  条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
  論文  参考訳（メタデータ） (2025-09-29T19:50:19Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Analysing the Influence of Reorder Strategies for Cartesian Genetic Programming [0.0]
  CGPで定義されるグラフのジェノタイプを並べ替える3つの新しい作用素を導入する。 そこで本研究では,CGPをリオーダー法で使用することにより,解が見つかるまでの反復数や適合度が向上することを示す。 しかし、最良のリオーダー演算子は存在しない。
  論文  参考訳（メタデータ） (2024-10-01T08:59:01Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Accelerated Discovery of Machine-Learned Symmetries: Deriving the Exceptional Lie Groups G2, F4 and E6 [55.41644538483948]
  このレターでは、対称性変換の発見を著しく高速化する2つの改良されたアルゴリズムを紹介している。 例外的リー群の複雑性を考えると,この機械学習手法は完全に汎用的であり,多種多様なラベル付きデータセットに適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-10T20:25:44Z)
• Coefficient Mutation in the Gene-pool Optimal Mixing Evolutionary Algorithm for Symbolic Regression [0.0]
  GP-GOMEAはシンボリック回帰のアルゴリズムである。 GP-GOMEA に係数を最適化する簡単な手法が組み込まれていることを示す。 係数変異は、基礎となる方程式をかなりの量で再発見するのに役立ちます。
  論文  参考訳（メタデータ） (2022-04-26T08:58:47Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Zoetrope Genetic Programming for Regression [2.642406403099596]
  Zoetrope Genetic Programming (ZGP)アルゴリズムは、数学的表現のオリジナルの表現に基づいている。 ZGPは多数のパブリックドメイン回帰データセットを使用して検証される。
  論文  参考訳（メタデータ） (2021-02-26T10:47:10Z)

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。