論文の概要: GP-GOMEA with GPU-Based Fitness Evaluations: Design and Performance Analysis

• arxiv url: http://arxiv.org/abs/2605.30954v1
• Date: Fri, 29 May 2026 07:48:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.453476
• Title: GP-GOMEA with GPU-Based Fitness Evaluations: Design and Performance Analysis
• Title（参考訳）: GPUによる適合度評価を用いたGP-GOMEAの設計と性能解析
• Abstract要約: GP-GOMEAは記号回帰のための最先端の進化アルゴリズムである。 本研究では、GPUベースのフィットネス評価手法を導入することにより、完全にGPUを加速するGP-GOMEAに向けた第一歩を踏み出す。 これにより、評価スループットが大幅に向上し、同時に予算内で、桁違いに多くの評価が可能になる。 この拡張された能力により、問題に依存しない進化アルゴリズムは、4時間以内に最も大きなファインマン方程式の1つを確実に回帰させることができる。
• 参考スコア（独自算出の注目度）: 1.0439136407307046
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: GP-GOMEA is a state-of-the-art evolutionary algorithm for symbolic regression, known for discovering small and interpretable models. However, its computational cost remains substantial, limiting its applicability to larger datasets and more complex target expressions. In contrast, the rise of modern subsymbolic approaches, particularly deep learning, has been driven largely by the massive parallelism offered by GPUs. In this work, we take the first major step toward a fully GPU-accelerated GP-GOMEA by introducing a GPU-based fitness evaluation scheme. We design a GPU-friendly representation of GP-GOMEA's template-based individuals and a corresponding evaluation strategy that exploits the inherent parallelism of population-based search. This substantially increases evaluation throughput, enabling orders of magnitude more evaluations within the same time budget. Across four standard symbolic regression benchmarks, this increased evaluation capacity yields performance improvements, particularly for larger datasets and larger population sizes. Moreover, the ability to efficiently evaluate much larger datasets and more complex templates enables analyses that were previously infeasible, allowing us to systematically analyze what makes expressions increasingly difficult for GP-GOMEA, providing new insights into how expression structure affects search difficulty. Finally, for the first time, this expanded capability allows a problem-agnostic evolutionary algorithm to reliably regress one of the largest Feynman equations within four hours.
• Abstract（参考訳）: GP-GOMEA(GP-GOMEA)は、小型で解釈可能なモデルを発見することで知られる記号回帰のための最先端の進化アルゴリズムである。 しかし、その計算コストはかなりであり、より大きなデータセットとより複雑なターゲット表現に適用性を制限する。 対照的に、現代のサブシンボリックアプローチ、特にディープラーニングの台頭は、GPUによって提供される巨大な並列性によって大きく推進されている。 本研究では、GPUベースのフィットネス評価手法を導入することにより、完全にGPUを加速するGP-GOMEAに向けた第一歩を踏み出す。 我々はGP-GOMEAのテンプレートベース個体のGPUフレンドリな表現を設計し、それに対応する評価戦略を集団検索の固有の並列性を利用した。 これにより、評価スループットが大幅に向上し、同時に予算内で、桁違いに多くの評価が可能になる。 4つの標準記号レグレッションベンチマークにおいて、この評価能力の増大は、特に大きなデータセットとより大きな人口規模のパフォーマンス向上をもたらす。 さらに、より大規模なデータセットやより複雑なテンプレートを効率的に評価することで、以前は実現不可能であった分析が可能となり、GP-GOMEAで表現がますます困難になる要因を体系的に分析し、表現構造が検索難易度にどのように影響するかの新しい洞察を与えることができる。 最後に、この拡張能力により、問題に依存しない進化アルゴリズムが4時間以内に最も大きなファインマン方程式の1つを確実に回帰させることができる。

関連論文リスト

• Simultaneous Model-Based Evolution of Constants and Expression Structure in GP-GOMEA for Symbolic Regression [1.2234742322758418]
  GP-GOMEAは正確かつコンパクトな表現を見つけるための主要なアルゴリズムの1つである。 本稿では,式構造として定数を同時に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2026-06-01T13:29:30Z)
• SIKA-GP: Accelerating Gaussian Process Inference with Sparse Inducing Kernel Approximations for Bayesian Deep Learning [5.828153240183482]
  本稿では,スパースインジェクションカーネル近似を用いたGP推論を高速化するSIKA-GPを提案する。 提案手法は、疎活性化された基底からコンパクトで表現豊かなカーネル表現を構築する。 SIKA-GPは、緩やかな活性化を伴うベイズニューラルネットワーク(BNN)に自然に組み込むことができ、予測性能を犠牲にすることなく、トレーニングと推論の両方において大きなスピードアップをもたらす。
  論文  参考訳（メタデータ） (2026-05-26T03:49:13Z)
• 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)
• A Better Multi-Objective GP-GOMEA -- But do we Need it? [0.0]
  シンボリック回帰(SR)では、正確性と解釈可能性の適切なバランスを達成することが重要な課題である。 Gene-pool Optimal Mixing Evolutionary Algorithm (GP-GOMEA) の遺伝的プログラミングの変種は、表現のサイズを制限するテンプレートを用いて最先端のパフォーマンスを達成するために特に関心がある。 最近導入されたモジュラGP-GOMEAは、複数の部分表現を使って表現を分解することができ、さらに解釈可能性を高めることができる。 GP-GOMEAの多目的変種が存在し、例えば、サイズと精度を同時に最適化するために使用することができる。
  論文  参考訳（メタデータ） (2025-07-04T18:54:27Z)
• 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)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Hierarchical shrinkage Gaussian processes: applications to computer code emulation and dynamical system recovery [5.694170341269015]
  GPフレームワーク内に累積収縮前処理を組み込んだ新しい階層縮小GP(HierGP)を提案する。 実験解析において,HierGPはエフェクト・スパシティ,遺伝性,階層性といったよく知られた原理を暗黙的に組み込んでいることを示す。 モデルトレーニングと予測のための効率的な後方サンプリングアルゴリズムを提案し、HierGPの望ましい整合性を証明した。
  論文  参考訳（メタデータ） (2023-02-01T21:00:45Z)
• 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)
• Integrated Gradient attribution for Gaussian Processes with non-Gaussian likelihoods [0.0]
  ガウス過程(GP)モデルは確率的機械学習において強力なツールである。 モデルの意思決定プロセスを透過的で説明可能なものにすることの必要性は、現在、研究の大きな焦点となっている。 本稿では,非ガウス的GPモデルに対して,積分グラディエントに基づく説明可能性を適用する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T14:11:00Z)
• Scaling Gaussian Process Optimization by Evaluating a Few Unique Candidates Multiple Times [119.41129787351092]
  GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。 GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
  論文  参考訳（メタデータ） (2022-01-30T20:42:14Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• 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)

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。