論文の概要: Code evolution for link prediction in complex networks

• arxiv url: http://arxiv.org/abs/2606.26132v1
• Date: Thu, 18 Jun 2026 05:46:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.010178
• Title: Code evolution for link prediction in complex networks
• Title（参考訳）: 複雑なネットワークにおけるリンク予測のためのコード進化
• Abstract要約: リンク予測のための機械設計手法を得るための自動コード進化システムの性能について検討する。 限られたデータで訓練されているにもかかわらず、アルゴリズムはコード進化を通じて進化し、人間設計の手法より優れている。
• 参考スコア（独自算出の注目度）: 0.00304396936267654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of predicting links in complex networks appears in different disciplines and has led to a variety of ingenious human-designed methods. We use this rich program space to explore the performance and behavior of automated code-evolution systems tasked to obtain machine-designed methods for link prediction. Despite being trained on limited data, algorithms evolved through code evolution outperform human-designed methods (with an average AUC score of 0.915 vs. 0.783, computed over 580 networks) and show improved computational efficiency, allowing them to be applied to networks with millions of links. The discovered methods follow approaches that have been employed in human-designed methods, but contain key innovations in the selection and combination of node- and link-features. This illustrates the role modern large language models and genetic algorithms can play in algorithmic innovation and scientific discovery more generally.
• Abstract（参考訳）: 複雑なネットワークにおけるリンクを予測する問題は、様々な分野に現れ、様々な独創的な人間設計手法を生み出した。 我々は、このリッチなプログラム空間を用いて、自動コード進化システムの性能と振る舞いを探索し、リンク予測のための機械設計手法を得る。 限られたデータで訓練されているにもかかわらず、アルゴリズムは人間の設計した手法(平均的なAUCスコアが0.915対0.783で、580以上のネットワークで計算される)よりも優れたコード進化によって進化し、数百万のリンクを持つネットワークに適用できる計算効率が向上した。 提案手法は,ヒトが設計した手法に採用されているアプローチに従うが,ノードとリンク機能の選択と組み合わせにおける重要な革新を含んでいる。 これは、現代の大規模言語モデルと遺伝的アルゴリズムが、アルゴリズムの革新と科学的な発見において、より一般的に果たすことができる役割を描いている。

関連論文リスト

• Faster Predictive Coding Networks via Better Initialization [52.419343840654186]
  本稿では,従来のトレーニングサンプルの反復的進捗を抑えることを目的とした,予測符号化ネットワークのための新しい手法を提案する。 本実験は,教師なし設定と教師なし設定の両方において,収束速度と最終テスト損失が大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2026-01-28T08:52:19Z)
• Evolution imposes an inductive bias that alters and accelerates learning dynamics [49.1574468325115]
  進化的最適化がニューラルネットワークの学習力学に与える影響について検討する。 我々は,アルゴリズムの自然選択とオンライン学習を組み合わせて,ニューラルネットワークの進化的条件付け手法を開発した。 結果は、進化はニューラルネットワークをチューニングして迅速な学習を可能にする誘導バイアスを構成することを示唆している。
  論文  参考訳（メタデータ） (2025-05-15T18:50:57Z)
• MeGA: Merging Multiple Independently Trained Neural Networks Based on Genetic Algorithm [0.0]
  本稿では, 遺伝的アルゴリズムであるMeGAを用いて, 複数の事前学習ニューラルネットワークの重みをマージする新しい手法を提案する。 我々のアプローチは、トーナメントの選択、クロスオーバー、突然変異による遺伝的アルゴリズムを利用して重量の組み合わせを最適化し、より効果的な融合を生み出す。
  論文  参考訳（メタデータ） (2024-06-07T03:31:58Z)
• Local Methods with Adaptivity via Scaling [38.99428012275441]
  本稿では,局所的な学習手法と適応的アプローチを融合して,効率的な分散学習手法を開発することを目的とする。 従来のローカルSGD法について検討し,スケーリング機能により拡張する。 理論的解析に加えて,ニューラルネットワークのトレーニングにより,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-02T19:50:05Z)
• Scalable computation of prediction intervals for neural networks via matrix sketching [79.44177623781043]
  既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。 本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-06T13:18:31Z)
• Neural Network Adversarial Attack Method Based on Improved Genetic Algorithm [0.0]
  改良された遺伝的アルゴリズムに基づくニューラルネットワーク逆攻撃法を提案する。 この方法は、ニューラルネットワークモデルの内部構造やパラメータ情報を必要としない。
  論文  参考訳（メタデータ） (2021-10-05T04:46:16Z)
• Um Metodo para Busca Automatica de Redes Neurais Artificiais [0.0]
  本稿では,セル型遺伝的アルゴリズムを用いてニューラルネットワークを自動的に検索する手法について述べる。 一般的な遺伝的アルゴリズムにおけるこの方法の主な違いは、個人に位置情報を提供することができるセルオートマトンを使用することで、検索空間における局所最小化の可能性を減らすことである。 実験により,本手法は,本研究で得られた他の手法と比較して,良好な一般化能力と訓練時間の短い,コンパクトで効率的なネットワークを見出すことができた。
  論文  参考訳（メタデータ） (2021-07-09T22:25:08Z)
• Behavior-based Neuroevolutionary Training in Reinforcement Learning [3.686320043830301]
  本稿では,神経進化的最適化と価値に基づく強化学習を組み合わせたハイブリッドアルゴリズムを提案する。 この目的のために,エージェントポリシーの生成と最適化のための異なる手法を統合し,多様な集団を創出する。 その結果, 進化的手法のサンプル効率と学習速度を向上できることがわかった。
  論文  参考訳（メタデータ） (2021-05-17T15:40:42Z)
• Evolving Reinforcement Learning Algorithms [186.62294652057062]
  メタラーニング強化学習アルゴリズムの手法を提案する。 学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。 従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
  論文  参考訳（メタデータ） (2021-01-08T18:55:07Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)
• A Hybrid Method for Training Convolutional Neural Networks [3.172761915061083]
  本稿では,畳み込みニューラルネットワークの学習にバックプロパゲーションと進化戦略の両方を用いるハイブリッド手法を提案する。 画像分類のタスクにおいて,提案手法は定期的な訓練において改善可能であることを示す。
  論文  参考訳（メタデータ） (2020-04-15T17:52:48Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。