論文の概要: Evaluation of Population Initialization Methods for Genetic Programming-based Symbolic Regression

• arxiv url: http://arxiv.org/abs/2606.31990v1
• Date: Tue, 30 Jun 2026 17:28:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.327107
• Title: Evaluation of Population Initialization Methods for Genetic Programming-based Symbolic Regression
• Title（参考訳）: 遺伝的プログラミングに基づくシンボリック回帰のための集団初期化手法の評価
• Abstract要約: 遺伝的プログラミングの初期集団(GP)を記号回帰(SR)に最適化する手法が解の精度と複雑さに与える影響を解析する。 複雑性の異なる12の合成問題と1つの実世界のデータセットを比較した。
• 参考スコア（独自算出の注目度）: 0.36944296923226316
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We analyze the effect of optimizing the initial population of genetic programming (GP) for symbolic regression (SR) on the accuracy and complexity of solutions. We compare three well-established random initialization methods as well as initialization with small optimized solutions from exhaustive symbolic regression (ESR) using a GP/SR implementation which is based on the multi-objective evolutionary algorithm NSGA-II. We compare the final Pareto fronts found with each initialization method on twelve synthetic problems of varying complexity and one real-world dataset. We find no significant differences in accuracy or model complexity among the initialization methods. The initial advantage of initialization with ESR disappears after only a few generations. Our results show that, given similar diversity in the initial population, the effect of the initialization method in GP-based symbolic regression on the final Pareto front is negligible.
• Abstract（参考訳）: 遺伝的プログラミングの初期集団(GP)を記号回帰(SR)に最適化する手法が解の精度と複雑さに与える影響を解析する。 我々は,多目的進化アルゴリズムNSGA-IIに基づくGP/SR実装を用いて,よく確立された3つのランダム初期化手法と,排他的シンボリック回帰(ESR)からの小さな最適化解の初期化を比較した。 本研究では,各初期化手法を用いて,複雑性の異なる12の合成問題と実世界のデータセットを比較検討した。 初期化法では精度やモデルの複雑さに有意な差は見つからない。 初期のESRの初期化の利点は、わずか数世代後に消える。 その結果, 初期個体群の多様性が類似していることから, GPに基づく記号回帰における初期化法が最終パレート前面に与える影響は無視できないことがわかった。

関連論文リスト

• Current Challenges of Symbolic Regression: Optimization, Selection, Model Simplification, and Benchmarking [0.0]
  記号回帰(SR)は、変数間の関係を記述する数学的表現を見つけることを目的としている。 現在の手法はSRの景観を理解するために常に再評価されなければならない。 この論文は、博士課程全体で行われた一連の研究を通じて、これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-12-01T13:48:07Z)
• 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)
• RL-finetuning LLMs from on- and off-policy data with a single algorithm [53.70731390624718]
  大規模言語モデルを微調整するための新しい強化学習アルゴリズム(AGRO)を提案する。 AGROは生成整合性の概念を利用しており、最適ポリシーはモデルの任意の世代間での整合性の概念を満たすと述べている。 サンプルベースの政策勾配による最適解を求めるアルゴリズムを導出し,その収束に関する理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-03-25T12:52:38Z)
• Accelerating evolutionary exploration through language model-based transfer learning [7.4439048149751095]
  本稿では,伝達学習と遺伝子発現プログラミングを統合する手法を提案する。 このフレームワークは自然言語処理技術を統合し、過去の最適化で探索された方程式から相関や繰り返しパターンを識別する。 本結果は,移動学習機構によって導出された初期解が,改良された解に対するアルゴリズムの収束率を高めることを裏付けるものである。
  論文  参考訳（メタデータ） (2024-06-07T08:05:52Z)
• Deep Generative Symbolic Regression [83.04219479605801]
  記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。 既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。 本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
  論文  参考訳（メタデータ） (2023-12-30T17:05:31Z)
• ParFam -- (Neural Guided) Symbolic Regression Based on Continuous Global Optimization [14.146976111782466]
  我々は、離散的記号回帰問題を連続的な問題に変換するために、新しいアプローチであるParFamを提案する。 グローバルな手法と組み合わせることで、SRの問題に対処する非常に効果的な手法がもたらされる。 また、ParFamをガイドするために、事前訓練されたトランスフォーマーネットワークDL-ParFamを組み込んだ拡張も提案する。
  論文  参考訳（メタデータ） (2023-10-09T09:01:25Z)
• GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP, and Beyond [101.5329678997916]
  対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。 本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。 低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
  論文  参考訳（メタデータ） (2022-11-03T16:42:40Z)
• Exploring the Algorithm-Dependent Generalization of AUPRC Optimization with List Stability [107.65337427333064]
  AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。 本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。 3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
  論文  参考訳（メタデータ） (2022-09-27T09:06:37Z)
• Symbolic Regression via Neural-Guided Genetic Programming Population Seeding [6.9501458586819505]
  シンボリック回帰(英: Symbolic regression)は、NPハードであると一般に信じられている離散最適化問題である。 この問題を解決するための従来のアプローチには、ニューラルガイド付き検索と遺伝的プログラミングがある。 本稿では、ランダムに再起動する遺伝的プログラミングコンポーネントの開始集団をシードする神経誘導成分を提案する。
  論文  参考訳（メタデータ） (2021-10-29T19:26:41Z)
• 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)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• Data-driven Weight Initialization with Sylvester Solvers [72.11163104763071]
  本稿では,ディープニューラルネットワークのパラメータを初期化するためのデータ駆動方式を提案する。 提案手法は,特にショットや微調整の設定において有効であることを示す。
  論文  参考訳（メタデータ） (2021-05-02T07:33:16Z)
• 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。