Fugu-MT 論文翻訳(概要): Minimalist Genetic Programming

論文の概要: Minimalist Genetic Programming

arxiv url: http://arxiv.org/abs/2606.10237v2
Date: Sat, 13 Jun 2026 14:59:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 13:45:31.009237
Title: Minimalist Genetic Programming
Title（参考訳）: ミニマリスト遺伝的プログラミング
Authors: Leonardo Trujillo,
Abstract要約: 遺伝的プログラミング(GP)は2つの重要な知見に基づいている。本稿では,GPのように生物学的にインスパイアされたアルゴリズムであるミニマリスト遺伝的プログラミング(MGP)を提案する。 MGPはミニマリストプログラムから人間言語へのインスピレーションを得ており、構文は他の2つのメンタルシステムをリンクする問題の最適解として理解されている。
参考スコア（独自算出の注目度）: 0.456877715768796
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Genetic programming (GP) is based on two important insights. First, that any learning task can fundamentally be posed as a program induction problem, where the goal is to construct a symbolic hierarchical model that is expressed as a syntax tree. Second, to pose this task as a search problem, and use evolution to locate the desired model. Since it was proposed, GP has produced notable results in a wide range of tasks and problem domains. This work presents an alternative view by modifying the second core insight of GP, posing the problem as a syntactic derivation task instead. In particular, this paper presents Minimalist Genetic Programming (MGP), an algorithm that like GP is biologically inspired, but instead of evolution it takes inspiration from the Minimalist Program to human language, in which syntax is understood as an optimal solution to the problem of linking two other mental systems. In minimalism, the core computational process is a binary set formation operator called $MERGE$, than can be used to incrementally construct complex syntactic structures using a simple Markovian process. MGP is able to discover the core building blocks of the symbolic expressions, and to incrementally combined them using $MERGE$. The proposed system is benchmarked on symbolic regression tasks that are known to be difficult to solve with standard GP systems because of the propensity for bloat. Results show that when a proper lexicon of atomic syntactic objects are chosen, MGP is able to consistently produce the exact ground truth model on a set of symbolic regression tasks where standard GP struggles to do the same. The insights provided by minimalism are shown to be relevant to the problem of program induction, and should be explored further based on the potential exhibited by MGP in this work.
Abstract（参考訳）: 遺伝的プログラミング(GP)は2つの重要な知見に基づいている。まず、どのような学習課題も基本的にプログラム誘導問題として表すことができ、そこでは構文木として表現される記号的階層モデルを構築することが目的である。第二に、このタスクを探索問題として対応させ、進化を用いて所望のモデルを見つける。提案されて以来、GPは様々なタスクや問題領域において顕著な結果をもたらしてきた。この研究は、GPの第二のコアインサイトを修正し、代わりに構文的導出タスクとして問題に対処することで、代替的な見解を示す。特に本論文では,GPのように生物学的にインスピレーションを受けるアルゴリズムであるミニマリスト遺伝的プログラミング(MGP)について述べる。最小主義において、コア計算過程は$MERGE$と呼ばれる二元集合形成作用素であり、単純なマルコフ過程を用いて複雑な構文構造を漸進的に構築するために用いられる。 MGPはシンボル式の中核的な構成要素を発見し、それを$MERGE$でインクリメンタルに組み合わせることができる。提案システムは,肥大化の確率が高いため,標準GPシステムでは解くのが困難であることが知られているシンボリック回帰タスクをベンチマークする。その結果、原子構文オブジェクトの適切な語彙が選択されると、標準GPが同じことをするのに苦労するシンボリック回帰タスクのセット上で、MGPは一貫して正確な基底真理モデルを生成できることを示した。ミニマリズムによって提供される洞察は、プログラム誘導の問題に関係していることが示され、この研究においてMGPが提示する可能性に基づいてさらに検討されるべきである。

関連論文リスト

Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
論文参考訳（メタデータ） (2026-05-23T17:42:25Z)
Beyond Conditional Computation: Retrieval-Augmented Genomic Foundation Models with Gengram [7.122805911264195]
Gengramは条件付きメモリモジュールで、マルチベースモチーフの明示的で高効率なルックアッププリミティブを導入している。最先端のゲノム基盤モデルのバックボーンに統合されている。構造化モチーフメモリをモデリングプリミティブとして確立することにより、Gengramは同時に経験的性能と機械的解釈可能性を高める。
論文参考訳（メタデータ） (2026-01-29T17:43:10Z)
Bridging Formal Language with Chain-of-Thought Reasoning to Geometry Problem Solving [9.550050299909184]
我々はChain-of-Thought(CoT)とフォーマル言語を統合する新しいアプローチを提案する。このモデルは、ソルバ実行可能コードの漸進的な排出を伴う自然言語推論をインターリーブする。 Qwen2.5-VL-7Bに基づいて構築された新しいモデルGF-Reasonerは、標準GPSベンチマークで最大15%の精度向上を実現している。
論文参考訳（メタデータ） (2025-08-12T17:26:23Z)
Multi-Representation Genetic Programming: A Case Study on Tree-based and Linear Representations [4.999866990999739]
本稿では,ツリーベースおよび線形表現に基づく多表現GPアルゴリズムを提案する。また,木に基づく表現と線形表現の相互作用を利用するクロス表現演算子を開発した。実験結果から,基本木に基づく表現と線形表現の学習知識のナビゲートがGPの有効性を向上させることが示唆された。
論文参考訳（メタデータ） (2024-05-23T07:47:06Z)
A Neural Rewriting System to Solve Algorithmic Problems [47.129504708849446]
ネストされた数学的公式を解くための一般的な手順を学習するために設計されたモジュラーアーキテクチャを提案する。シンボリック人工知能の古典的なフレームワークである書き換えシステムに触発され、アーキテクチャには3つの専門的で対話的なモジュールが含まれます。我々は、系統的な一般化に特化した最近のモデルであるNeural Data Routerと、先進的なプロンプト戦略で探索された最先端の大規模言語モデル(GPT-4)とを比較した。
論文参考訳（メタデータ） (2024-02-27T10:57:07Z)
Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
論文参考訳（メタデータ） (2023-02-28T14:01:01Z)
Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文参考訳（メタデータ） (2021-10-28T14:59:41Z)
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)
Using Traceless Genetic Programming for Solving Multiobjective Optimization Problems [1.9493449206135294]
トレーレス・ジェネティック・プログラミング(Traceless Genetic Programming、TGP)は、プログラム自体よりもプログラムの出力に焦点をあてる場合に使われる遺伝的プログラミング(GP)の変種である。 TGPと組み合わせて2つの遺伝子操作子(クロスオーバーと挿入)が使用される。数値実験により、TGPは非常に高速かつ十分に検討されたテスト問題を解くことができることが示された。
論文参考訳（メタデータ） (2021-10-07T05:55:55Z)
Applying Genetic Programming to Improve Interpretability in Machine Learning Models [0.3908287552267639]
我々は、GPX(Genematic Programming Explainer)という遺伝的プログラミングに基づくアプローチを提案する。本手法は, 関心点近傍に位置する雑音を発生させ, その予測を説明すべきであり, 分析サンプルの局所的説明モデルに適合する。以上の結果から,GPXは技術状況よりも複雑なモデルに対するより正確な理解を実現できることが示唆された。
論文参考訳（メタデータ） (2020-05-18T16:09:49Z)
Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
論文参考訳（メタデータ） (2020-03-14T05:45:55Z)

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。