論文の概要: Simultaneous Model-Based Evolution of Constants and Expression Structure in GP-GOMEA for Symbolic Regression

• arxiv url: http://arxiv.org/abs/2606.02236v1
• Date: Mon, 01 Jun 2026 13:29:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.105751
• Title: Simultaneous Model-Based Evolution of Constants and Expression Structure in GP-GOMEA for Symbolic Regression
• Title（参考訳）: 記号回帰のためのGP-GOMEAにおける定数と表現構造の同時モデルベース進化
• Authors: Johannes Koch, Tanja Alderliesten, Peter A. N. Bosman,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.2234742322758418
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Genetic programming (GP) approaches are among the state-of-the-art for symbolic regression, the task of constructing symbolic expressions that fit well with data. To find highly accurate symbolic expressions, both the expression structure and any contained real-valued constants, are important. GP-GOMEA, a modern model-based evolutionary algorithm, is one of the leading algorithms for finding accurate, yet compact expressions. Yet, GP-GOMEA does not perform dedicated constant optimization, but rather uses ephemeral random constants. Hence, the accuracy of GP-GOMEA may well still be improved upon by the incorporation of a constant optimization mechanism. Existing research into mixed discrete-continuous optimization with EAs has shown that a simultaneous and well-integrated approach to optimizing both discrete and continuous parts, leads to the best results on a variety of problems, especially when there are interactions between these parts. In this paper, we therefore propose a novel approach where constants in expressions are optimized at the same time as the expression structure by merging the real-valued variant of GOMEA with GP-GOMEA. The proposed approach is compared to other forms of handling constants in GP-GOMEA, and in the context of other commonly used techniques such as linear scaling, restarts, and constant tuning after GP optimization. Our results indicate that our novel approach generally performs best and confirms the importance of simultaneous constant optimization during evolution.
• Abstract（参考訳）: 遺伝的プログラミング(GP)アプローチは、データによく適合する記号表現を構築するタスクである記号回帰のための最先端技術の一つである。 高精度な記号表現を見つけるためには、式構造と実数値定数の両方が重要である。 GP-GOMEAはモデルに基づく進化的アルゴリズムであり、正確だが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。 しかし、GP-GOMEAは専用の定数最適化を行うのではなく、短命なランダム定数を使用する。 したがって、GP-GOMEAの精度は定数最適化機構の導入によって改善される。 EAとの混合離散連続最適化に関する既存の研究は、離散部分と連続部分の両方を最適化するための、同時かつよく統合されたアプローチが、様々な問題、特にこれらの部分間の相互作用がある場合に、最良の結果をもたらすことを示した。 そこで本稿では,GOMEAとGP-GOMEAを併用することで,表現の定数と表現構造を同時に最適化する手法を提案する。 提案手法は,GP-GOMEAにおける定数処理の他の形式と比較し,線形スケーリングや再起動,GP最適化後の定数チューニングなど,一般的な手法の文脈で比較する。 以上の結果から,本手法は進化過程における一貫した最適化の重要性を裏付けるものであることが示唆された。

関連論文リスト

• GP-GOMEA with GPU-Based Fitness Evaluations: Design and Performance Analysis [1.0439136407307046]
  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。
  論文  参考訳（メタデータ） (2026-05-29T07:48:46Z)
• Variational Entropic Optimal Transport [67.76725267984578]
  本稿では,ドメイン翻訳問題に対する変分エントロピー最適輸送(VarEOT)を提案する。 VarEOTは、補助正の正規化子上のトラクタブルな一般化として、log-partition $log mathbbE[exp(cdot)$の正確な変分再構成に基づいている。 合成データと画像と画像の変換に関する実験は、競争力のあるか、あるいはより良い翻訳品質を示す。
  論文  参考訳（メタデータ） (2026-02-02T15:48:44Z)
• Simultaneous and Meshfree Topology Optimization with Physics-informed Gaussian Processes [0.0]
  トポロジ最適化(TO)は、その物質空間分布を予め定義された領域で設計し、制約の集合に従うことによって、構造の性能を最適化する原理的な数学的アプローチを提供する。 我々は,ガウス過程(GP)の枠組みに基づく新しいTO手法を開発し,その平均関数はディープニューラルネットワークを介してパラメータ化される。 本手法を商用ソフトウェアに実装した従来のTO手法に対して検証するため,ストークスフローにおける消散電力の最小化を含む4つの問題に対して評価を行った。
  論文  参考訳（メタデータ） (2024-08-07T01:01:35Z)
• Towards Flexibility and Interpretability of Gaussian Process State-Space Model [4.75409418039844]
  我々はTGPSSMと呼ばれる新しい確率的状態空間モデルを提案する。 TGPSSMはパラメトリック正規化フローを利用して、標準GPSSMのGPプリエントを豊かにする。 本稿では,潜在状態の変動分布に柔軟かつ最適な構造を提供するスケーラブルな変分推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-21T01:26:26Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• 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)
• Robust and Adaptive Temporal-Difference Learning Using An Ensemble of Gaussian Processes [70.80716221080118]
  本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。 OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。 1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
  論文  参考訳（メタデータ） (2021-12-01T23:15:09Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• 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)
• Scalable Gaussian Process Variational Autoencoders [17.345687261000045]
  本稿では,実行時およびメモリフットプリントの観点から既存手法より優れた拡張性を持つGP-VAEモデルを提案する。
  論文  参考訳（メタデータ） (2020-10-26T10:26:02Z)

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。