論文の概要: Efficient Constant Optimization for Symbolic Regression with GPU-Accelerated Tree-Based Genetic Programming
- arxiv url: http://arxiv.org/abs/2609.03352v1
- Date: Thu, 03 Sep 2026 04:20:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.923937
- Title: Efficient Constant Optimization for Symbolic Regression with GPU-Accelerated Tree-Based Genetic Programming
- Title（参考訳）: GPUアクセラレーション木に基づく遺伝的プログラミングによる記号回帰の効率的な定数最適化
- Abstract要約: 定値最適化は、木に基づく遺伝的プログラムにおける候補表現の数値係数を記号回帰のために洗練する。
本稿では, 構造的に異質な表現木群にまたがる定数を最適化するGPU-resident, batched Levenberg-Marquardtソルバを提案する。
初期の世代では、NVIDIA A100で毎秒最大5.1タイムの105ドルの木を維持できる。
- 参考スコア（独自算出の注目度）: 19.363628838350603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Constant optimization refines the numerical coefficients of candidate expressions in tree-based genetic programming for symbolic regression. But its per-generation cost has led modern GPU-accelerated frameworks to omit it or restrict it to lightweight forms. We present a GPU-resident, batched Levenberg--Marquardt solver that optimizes constants across a structurally heterogeneous population of expression trees using a fixed number of population-wide CUDA launches per iteration. Reverse-mode automatic differentiation assembles the per-tree Jacobian in one backward sweep, making the dominant per-iteration cost independent of the number of constants per tree, and a double-precision delivery guard guarantees that returned constants are never worse than their initial values. On early-generation populations, the solver sustains up to $5.1{\times}10^{5}$ trees per second on an NVIDIA A100; at a GPU-saturated benchmark configuration it delivers roughly $9.9{\times}$ the throughput of Operon running on a 64-core EPYC 7763, while matching fp64-reference quality. Integrated in-process into EvoGP, the solver enables end-to-end search to recover governing equations on $10$ of $18$ constructed problems versus 0 for stock EvoGP. Our code is at https://github.com/TensorConv/CuSR.
- Abstract（参考訳）: 定値最適化は、木に基づく遺伝的プログラムにおける候補表現の数値係数を記号回帰のために洗練する。
しかし、世代ごとのコストは、最新のGPUアクセラレーションフレームワークを省いたり、軽量な形式に制限した。
本稿では,GPU常駐型バッチ型Levanenberg-Marquardt解法を提案する。
逆モードの自動微分は、木ごとのジャコビアンを1回後ろ向きに分解し、木ごとの定数数によらず、支配的な点数当たりのコストを独立にし、返却定数が初期値よりも決して悪くないことを保証する。
GPU飽和ベンチマーク構成では、64コアEPYC 7763上で動作するOperonのスループットをfp64参照品質に適合させながら、約9.9{\times}$約9.9{\times}のスループットを提供する。
EvoGPに統合されたこの解法は,ストックEvoGPの0に対して,構成問題18ドルの10ドルに対して,エンドツーエンドの探索により支配方程式を復元する。
私たちのコードはhttps://github.com/TensorConv/CuSRにあります。
関連論文リスト
- GPU-Enabled Large-Scale Optimization Using Randomized Linear Algebra [13.9407640377773]
本稿では、RandNLA(RandNLA)を用いた大規模最適化と科学計算のためのPyTorchベースのパッケージであるrlaoptを紹介する。
Rlaoptはこのギャップに対処するため、正定値線形システムに対するGPU対応の解法と、制約と正規化子による凸型経験的リスク最小化を提供する。
Rlaoptは、選択したソルバとの互換性を自動的にチェックし、必要な問題を分解する。
論文 参考訳（メタデータ） (2026-09-08T02:14:05Z) - Compile Once, Differentiate Everywhere: A Differentiable Meta-Circular Interpreter [0.0]
本稿では,Schemeの自己ホストサブセットをオートグレードバックエンド用の差別化可能なグラフに変換するコンパイラを提案する。
サブセットは独自の評価器をコンパイルできるため、これは微分可能なメタ循環解釈(DMCI)をもたらす。
DMCIはデータとして提供されるプログラムを実行し、リバースモードオートディフはそれらのプログラムに埋め込まれた連続定数への勾配を伝搬する。
論文 参考訳（メタデータ） (2026-06-07T15:13:41Z) - Nonvariational quantum optimisation approaches to pangenome-guided sequence assembly [0.42970700836450487]
ゲノム組立問題に対する短期量子最適化手法を開発した。
固定された線形ランプQAOAスケジュールと反復的ウォームスタートバイアス更新を組み合わせたIterative-QAOAフレームワークを使用する。
カスタム回路コンパイル戦略は、標準ツールと比較してハードウェアゲートのオーバーヘッドを最大67%削減する。
論文 参考訳（メタデータ） (2026-04-07T17:17:34Z) - Evolution Strategies at the Hyperscale [57.75314521465674]
本稿では,大集団にバックプロップフリーな最適化を拡大するための進化戦略(ES)アルゴリズムEGGROLLを紹介する。
ESは、微分不可能またはノイズの多い目的を処理できる強力なブラックボックス最適化手法のセットである。
EGGROLLはランダム行列を$Ain mathbbRmtimes r, Bin mathbbRntimes r$ with $rll min(m,n)$ とすることでこれらのボトルネックを克服し、低ランク行列摂動を$A Btop$とする。
論文 参考訳（メタデータ） (2025-11-20T18:56:05Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Soft regression trees: a model variant and a decomposition training algorithm [0.24578723416255752]
そこで本研究では,各入力ベクトルに対して,単一の葉ノードに関連付けられた線形回帰として定義する,ソフト多変量回帰木(SRT)の新たな変種を提案する。
SRTは条件付き計算特性、すなわち各予測は少数のノードに依存する。
15のよく知られたデータセットの実験により、従来のソフトレグレッションツリーと比較して、我々のSRTと分解アルゴリズムは高い精度とロバスト性が得られることが示された。
論文 参考訳（メタデータ） (2025-01-10T13:06:36Z) - KrADagrad: Kronecker Approximation-Domination Gradient Preconditioned
Stochastic Optimization [69.47358238222586]
第2の順序付けにより、パラメータのステップサイズと方向を変更でき、損失曲率に適応できる。
最近、シャンプーはこれらの要求を減らすためにクローネッカーファクター付きプレコンディショナーを導入した。
不条件行列の逆行列根を取る。
これは64ビットの精度が必要で、ハードウェアの制約が強い。
論文 参考訳（メタデータ） (2023-05-30T21:15:45Z) - Improving Dual-Encoder Training through Dynamic Indexes for Negative
Mining [61.09807522366773]
本稿では,ソフトマックスを証明可能な境界で近似し,木を動的に維持するアルゴリズムを提案する。
我々は,2000万以上のターゲットを持つデータセットについて検討し,オラクル・ブルート力負の鉱業に関して,誤差を半分に削減した。
論文 参考訳（メタデータ） (2023-03-27T15:18:32Z) - Private Frequency Estimation via Projective Geometry [47.112770141205864]
そこで本研究では,局所微分型(LDP)周波数推定のための新しいアルゴリズムであるProjectiveGeometryResponse (PGR)を提案する。
私たちの$varepsilon$-LDPアルゴリズムは、プライベートコイン設定で$lceillogkrceilビット、パブリックコイン設定で$varepsilonlog e + O(1)$の通信コストを持っています。
実際に使用される多くのパラメータ設定では、これは最近のPIによって達成されるO(n+k2)$Optimalコストよりも大幅に改善されている。
論文 参考訳（メタデータ） (2022-03-01T02:49:55Z) - Accelerating Genetic Programming using GPUs [0.0]
遺伝的プログラミング(GP)は、曲線フィッティング、データモデリング、特徴選択、分類など、機械学習に複数の応用がある。
本稿では,代用GPアルゴリズムのGPUアクセラレーションスタックに基づく変種について述べる。
論文 参考訳（メタデータ） (2021-10-15T06:13:01Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳（メタデータ） (2021-09-10T07:01:15Z)
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。