論文の概要: Relocating Nonlinearity: How a Downstream Learner Reshapes What Genetic Programming Must Evolve

• arxiv url: http://arxiv.org/abs/2610.09347v1
• Date: Wed, 07 Oct 2026 03:08:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.689575
• Title: Relocating Nonlinearity: How a Downstream Learner Reshapes What Genetic Programming Must Evolve
• Title（参考訳）: 非線形の移動: 下流の学習者はどのようにして遺伝的プログラミングを進化させるか
• Abstract要約: プログラムがどの程度構築されなければならないかは、どの学習者がアタッチされているかによって決定され、プログラム自身で測定可能であることを示す。 線形学習者は、進化したプログラムを目標の学位まで正確に強制する。 学習者は、難しいという評判ではなく、対象の構造から選択でき、進化したプログラムの程度は、任意の実行中に自由に計算できる診断である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Genetic programming was conceived as a way of evolving solutions: the program is the answer, and fitness is the error of its own output. A substantial line of work instead makes the program an input to a separate learner, so fitness measures the learner's output rather than the program's. Which learner to attach matters, with no account of what decides it. What makes a target hard for genetic programming is how much nonlinearity the program must build by composing primitives; whatever nonlinearity the learner supplies, the program need not. The quantity to measure is therefore how much of a target's nonlinearity a learner can take over, though on continuous benchmarks it can only be estimated. Here we show that how much the program must still build is decided by which learner is attached, and is measurable on the programs themselves. Moving to Boolean domains, where a target's nonlinearity is exactly its Fourier degree, we tune that degree from one to six with everything else fixed. Conditioned on success, a linear learner forces the evolved program to the target's degree exactly, at one through six without exception over thirty runs per setting, while tree ensembles succeed with far simpler programs and four times as often. This gives the field two things: a learner can be chosen from a target's structure instead of its reputation for difficulty, and the degree of the evolved program is a diagnostic free to compute during any run. Our control target has lower degree than the parity problems yet gains nothing from a nonlinear learner, while targets reducible to a simple statistic gain a great deal. The latter comes with a warning: evolution internalises what the learner supplies in only four of sixty-three conditions, and grows more dependent on it in forty-four, so the more capable the learner, the less of the model is legible in the program.
• Abstract（参考訳）: 遺伝的プログラミングは、進化する解決策の方法として考えられた:プログラムは答えであり、適合性は自身の出力の誤りである。 作業のかなりの行は、プログラムを別の学習者への入力にするので、適合度はプログラムの出力ではなく学習者の出力を測定する。 どの学習者も、何を決定するのかを考慮せずに、問題を取り付けることができる。 遺伝的プログラミングにとって難しいのは、プログラムがプリミティブを構成することによってどれだけの非線形性を構築する必要があるかである。 したがって、測定すべき量は、学習者がどれだけの非線形性を引き継ぐことができるかである。 ここでは、どの学習者がどのプログラムにアタッチされているかを判断し、プログラム自体で測定可能であるかを示す。 対象の非線形性がちょうどフーリエ次数であるブール領域に移動すると、その次数は 1 から 6 に調整され、他の全ては固定される。 成功を条件に、線形学習者は進化したプログラムを目標の学位まで正確に強制し、1セットあたり30ラン以上を例外なく1から6回、ツリーアンサンブルはより単純なプログラムで4倍の頻度で成功する。 学習者は、難しいという評判ではなく、対象の構造から選択でき、進化したプログラムの程度は、任意の実行中に自由に計算できる診断である。 我々の制御対象はパリティ問題よりも低いが、非線形学習者からは何も得られない。 進化は、学習者がわずか43の条件のうち4つの条件で供給するものを内包し、44の条件でそれに依存して成長する。

関連論文リスト

• AGAR: a reinforcement learning substrate for LLM program evolution [35.893995992069414]
  我々は、モデルが指定したモジュラープレフィックスをアクションとするマルコフ決定プロセスを、出力するプログラムではなく形式化する。 AGAR(Algorithm Generation As RL)は、結果として生じる基質を提供する。 19のタスク、2つのバックエンド、3つのシードを1つのハーネスで実行し、AGARは、ほとんどのタスクで2つの公開されたベースラインの強化を改善している。
  論文  参考訳（メタデータ） (2026-10-06T23:22:26Z)
• Self-Evolving Code-with-Image Reasoning [27.32160031771406]
  我々は思考とイメージとして知られるパラダイムであるCode-with-Imageを紹介する。 コード・ウィズ・イメージ(Code-with-Image)は、Pythonインタプリタ以外を考慮すれば、そのタスクを解決するために、本物のビジュアルアルゴリズムをコード内に実装しなければならない。 トレーニングなしのリフレクションループは、モデル自身の失敗したプログラムを研究し、建設的な地上の真実に対するテストを修正し、ポータブルなスキルとして生き残るものを維持する。
  論文  参考訳（メタデータ） (2026-08-11T17:14:06Z)
• The Program Is Still There: A Conservation Law for Program Discovery [0.0]
  シーケンスを生成する最も短いプログラムを見つけることは計算不可能であり、60年間、その事実は生成プログラムを見つけるための壁と誤解されてきた。 非条件の最悪の場合、その幅で指数関数的な境界を証明し、ベース1をドメインサイズより小さくする。 この理論に基づいて構築された決定論的エンジンは、そのデータを圧縮し、目に見えない継続を予測することで認定された生成プログラムを回復する。
  論文  参考訳（メタデータ） (2026-06-11T18:11:49Z)
• Online Learning and Unlearning [56.770023668379615]
  オンライングラデーション降下(OGD)に基づくオンライン学習者アンラーナー(OLU)アルゴリズムを2つ提示する。 第一の受動的OLUは、OGDの収縮特性を利用し、未学習時にノイズを注入し、追加の計算を行わない。 2つめのアクティブなOLUは、オフラインの未学習アルゴリズムを使用して、削除されたデータを除くソリューションにモデルをシフトする。
  論文  参考訳（メタデータ） (2025-05-13T13:33:36Z)
• DiSciPLE: Learning Interpretable Programs for Scientific Visual Discovery [61.02102713094486]
  優れた意思決定を可能にするため、科学的推論において優れた解釈が重要である。 本稿では,ニューラルネットワークをインターリーブする学習プログラムを用いて,そのような解釈可能な設計モデルを得るための自動手法を提案する。 本稿では,大言語モデル (LLM) の常識と事前知識を活用する進化的アルゴリズムであるDiSciPLEを提案し,視覚データを説明するPythonプログラムを作成する。
  論文  参考訳（メタデータ） (2025-02-14T10:26:14Z)
• Learning Semantics-aware Search Operators for Genetic Programming [0.20718016474717196]
  テストベースのプログラム合成における適合性景観は、非常に頑丈であることが知られている。 本稿では,有効な候補プログラムの探索を支援するセマンティックス・アウェア・サーチ・オペレータを提案する。
  論文  参考訳（メタデータ） (2025-02-06T23:46:04Z)
• NAPG: Non-Autoregressive Program Generation for Hybrid Tabular-Textual Question Answering [52.10214317661547]
  現在の数値推論法はプログラムシーケンスを自己回帰的にデコードする。 プログラム生成の精度は、デコードステップがエラー伝搬によって展開されるにつれて急激に低下する。 本稿では,非自己回帰型プログラム生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-07T11:25:21Z)
• Differentiable Bilevel Programming for Stackelberg Congestion Games [47.60156422249365]
  Stackelberg Congestion Game (SCG) において、リーダーは、群集が集まる平衡状態を予測し、操作することで、自身の利益を最大化することを目的としている。 本稿では,従来の手法と機械学習における最新の微分可能プログラミング技術を組み合わせることで,この計算課題に挑戦する。 本稿では,SCGの局所探索アルゴリズムを2つ提案する。第1に,微分可能プログラミングを用いてILDをアンロールすることで導関数を求める勾配降下アルゴリズムを提案する。 第二のアルゴリズムは、フォロワーの進化軌道を短くすることでツイストを加える。
  論文  参考訳（メタデータ） (2022-09-15T21:32:23Z)
• Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
  そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。 自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。 提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
  論文  参考訳（メタデータ） (2022-05-28T03:31:07Z)
• Weighted Programming [0.0]
  数学モデルを特定するためのプログラミングパラダイムである重み付けプログラミングについて研究する。 パラダイムとしての重み付きプログラミングは、確率分布を超えた数学的モデルを特定するのに利用できると論じる。
  論文  参考訳（メタデータ） (2022-02-15T17:06:43Z)
• Measuring Coding Challenge Competence With APPS [54.22600767666257]
  コード生成のベンチマークであるAPPSを紹介する。 私たちのベンチマークには1万の問題が含まれています。 GPT-Neoのような最近のモデルでは、導入問題のテストケースの約15%をパスできる。
  論文  参考訳（メタデータ） (2021-05-20T17:58:42Z)

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。