論文の概要: Adaptive Protection for Evolutionary Feature Construction in Symbolic Regression with Application to Credit Classification

• arxiv url: http://arxiv.org/abs/2608.14209v1
• Date: Fri, 14 Aug 2026 11:36:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.367663
• Title: Adaptive Protection for Evolutionary Feature Construction in Symbolic Regression with Application to Credit Classification
• Title（参考訳）: シンボリック回帰における進化的特徴構築のための適応的保護と信用分類への応用
• Abstract要約: 本稿では, 特徴重要度を利用した適応的保護機構を導入し, 進化過程に構築された特徴を選択的に保存する。 このメカニズムは、より重要で構築された機能に対してより強力な保護を提供すると同時に、より重要でない機能の変更を可能にし、より重要な機能から有用なビルディングブロックを組み込むことができる。
• 参考スコア（独自算出の注目度）: 16.576526450285936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evolutionary feature construction has shown strong promise in symbolic regression by automatically discovering informative transformations of input features that enhance a simple base learner. However, existing approaches often lack explicit mechanisms to preserve important constructed features discovered during evolution, and valuable genetic material can be lost when genetic operators disrupt effective features. This paper introduces an adaptive protection mechanism that leverages feature importance metrics to selectively preserve constructed features during evolution. The mechanism provides stronger protection for more important constructed features while still allowing less important features to be modified and to incorporate useful building blocks from more important features. We evaluate the approach using multiple feature importance calculation methods and demonstrate its robustness across different base learners. Experimental results on 98 regression benchmark datasets show that the proposed mechanism consistently improves solution quality over baseline approaches, and experiments on two credit classification datasets demonstrate that the method also extends effectively to improve search effectiveness beyond symbolic regression.
• Abstract（参考訳）: 進化的特徴構成は、単純なベース学習者を強化する入力特徴の情報変換を自動的に発見することで、象徴的回帰において強い可能性を示してきた。 しかし、既存のアプローチでは、進化中に発見された重要な構築された特徴を維持するための明確なメカニズムが欠如しており、遺伝操作者が効果的な特徴を乱すと、貴重な遺伝物質が失われることがある。 本稿では, 特徴重要度を利用した適応的保護機構を導入し, 進化過程に構築された特徴を選択的に保存する。 このメカニズムは、より重要で構築された機能に対してより強力な保護を提供すると同時に、より重要でない機能の変更を可能にし、より重要な機能から有用なビルディングブロックを組み込むことができる。 提案手法は,複数の特徴重要度計算手法を用いて評価し,その頑健さを基礎学習者間で示す。 98の回帰ベンチマークデータセットを用いた実験結果から,提案手法はベースラインアプローチよりもソリューション品質を継続的に向上することが示された。

関連論文リスト

• Towards Autonomous Formulaic Alpha Discovery: An Evolutionary Computation Perspective [16.341787096684026]
  本稿では、自動定式化アルファ発見における統合進化計算(EC)の視点を紹介する。 6成分分析フレームワークが開発され、表現、変動、フィットネス評価、選択、記憶、適応を通じて既存の手法を特徴付ける。 探索効率, 適合性信頼性, 残留アルファ品質, 経済多様性, トレーダビリティ, 進化的自律性, 非定常性, 堅牢性などの8次元的自律性評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-03T07:02:24Z)
• From Passive Metric to Active Signal: The Evolving Role of Uncertainty Quantification in Large Language Models [77.04403907729738]
  このサーベイは、受動的診断基準からリアルタイムモデル動作を導くアクティブ制御信号への不確実性の進化をグラフ化する。 3つのフロンティアにまたがるアクティブ制御信号として不確実性がいかに活用されているかを示す。 この調査は、次世代のスケーラブルで信頼性があり、信頼できるAIを構築するためには、新しい不確実性のトレンドを習得することが不可欠である、と論じている。
  論文  参考訳（メタデータ） (2026-01-22T06:21:31Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• EvoSyn: Generalizable Evolutionary Data Synthesis for Verifiable Learning [63.03672166010434]
  我々は、進化的、タスクに依存しない、戦略を導いた、実行可能検証可能なデータ合成フレームワークを紹介します。 問題、多様な候補解、検証成果物を共同で合成する。 これは、人間による注釈付きチェックと戦略によるチェックの合意を強制する一貫性に基づく評価器を通じて戦略を反復的に発見する。
  論文  参考訳（メタデータ） (2025-10-20T11:56:35Z)
• PISA: A Pragmatic Psych-Inspired Unified Memory System for Enhanced AI Agency [50.712873697511206]
  既存の作業は、多種多様なタスクへの適応性に欠けることが多く、AIエージェントメモリの構成的およびタスク指向の役割を見落としている。 PISAは,メモリを構築的かつ適応的なプロセスとして扱う,実践的でサイコにインスパイアされた統合メモリシステムである。 既存のLOCOMOベンチマークと新たに提案したデータ解析タスクのAggQAベンチマークに基づいて,PISAが適応性と長期的知識保持を大幅に向上させることで,新たな最先端技術を設定することを確認した。
  論文  参考訳（メタデータ） (2025-10-12T10:34:35Z)
• Sensitivity of Stability: Theoretical & Empirical Analysis of Replicability for Adaptive Data Selection in Transfer Learning [3.6644458768861945]
  適応効率と結果整合性の基本的なトレードオフを定量化する数学的枠組みを導入する。 グラデーションベースやカリキュラム学習のような高度適応戦略が優れたタスク性能を実現するが、高い複製性障害率に悩まされていることを示す。 また、ソースドメイン事前トレーニングは、パフォーマンス向上を維持しながら、障害率を最大30%削減する強力な緩和メカニズムを提供することを示した。
  論文  参考訳（メタデータ） (2025-08-06T21:56:56Z)
• Enhancing Phishing Detection through Feature Importance Analysis and Explainable AI: A Comparative Study of CatBoost, XGBoost, and EBM Models [0.0]
  本研究では,フィッシングURLの識別に機械学習を用いることを検討した。 パフォーマンス向上のために、機能選択とモデル解釈可能性の重要な役割を強調します。 この研究は、CatBoost、XGBoost、Explainable Boosting Machineなど、さまざまなアルゴリズムを評価した。
  論文  参考訳（メタデータ） (2024-11-11T10:49:24Z)
• Understanding Robust Overfitting from the Feature Generalization Perspective [61.770805867606796]
  逆行訓練(AT)は、逆行摂動を自然データに組み込むことで、堅牢なニューラルネットワークを構築する。 これはロバストオーバーフィッティング(RO)の問題に悩まされ、モデルのロバスト性を著しく損なう。 本稿では,新しい特徴一般化の観点からROを考察する。
  論文  参考訳（メタデータ） (2023-10-01T07:57:03Z)
• Feature Interaction Aware Automated Data Representation Transformation [27.26916497306978]
  我々は,マルコフ決定過程をカスケードした階層的強化学習構造を開発し,特徴選択と操作選択を自動化する。 我々は、選択された特徴間の相互作用強度に基づいてエージェントに報酬を与える。その結果、人間の意思決定をエミュレートする特徴空間をインテリジェントかつ効率的に探索する。
  論文  参考訳（メタデータ） (2023-09-29T06:48:16Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• AugmentedPCA: A Python Package of Supervised and Adversarial Linear Factor Models [0.2148535041822524]
  本稿では,主成分分析の目的を,主成分分析の目的を主成分分析の目的とする手法を提案する。 我々は、これらのメソッドをオープンソースのPythonパッケージであるAugmentedPCAに実装し、優れた現実世界のベースラインを作成できる。 オープンソースのRNA-seq癌遺伝子発現データセット上で,これらの因子モデルの有用性を実証する。
  論文  参考訳（メタデータ） (2022-01-07T17:08:59Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)

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。