May, 2023

控制变量遗传编程的符号回归

PDF
TL;DRControl Variable Genetic Programming 利用控制变量实验快速进行符号回归，比起多个独立变量的简单表达，其优于其他基线算法。
发现论文，激发创造
  • 竞速控制变量遗传编程用于符号回归

    Symbolic regression is improved by Racing Control Variable Genetic Programming (Racing-CVGP), which carries out multiple experiment schedules simultaneously and outperforms other regressors.

    Sep, 2023

  • 神经引导基因编程种群种子的符号回归

    通过混合神经引导 / 遗传编程方法来优化符号回归问题，表明针对该混合优化方式的神经引导组件可用于改进生产规划初始种群，而分离神经引导和遗传编程组件的生成方式最优，增加了一组 22 个符号回归基准问题。

    Oct, 2021

  • 控制变量的神经符号回归

    提出了一种基于控制变量的神经符号回归方法 SRCV，它将多变量符合回归分解为一组单变量 SR 问题，再逐步将它们从下往上组合，可显著提高多变量符号回归的准确性和可扩展性，并可以大幅减少符号回归的搜索空间。

    Jun, 2023

  • Taylor 遗传规划用于符号回归

    Taylor 遗传编程是一种利用 Taylor 多项式来提取符号方程特征的 SR 问题解决方法，实验证明 Taylor 遗传编程比其他九种基准方法更准确且更快。

    Apr, 2022

  • 空间应用中的符号回归：由多目标文化遗传算法推动的可微分笛卡尔遗传编程

    提出了一种利用可微分的 CGP 编码进行多目标进化搜索的 MEMETIC 算法，以学习回归方程中的数值常量，在火星探测器热功率估算和通过陀螺定年法确定恒星年龄两个应用中，该方法显示出与机器学习的黑盒回归模型或手动匹配方法同等或更高的性能。

    Jun, 2022

  • 可微分遗传规划用于高维符号回归

    本研究提出了一种名为 DGP 的可微分方法，用于高维符号回归，其包括新的数据结构、采样方法和多样化机制等。实验证明，该方法能够有效地优化生成树，取得了在高维回归基准测试中优于同行竞争者的性能，并且即使在不同噪声水平下，也能够实现最佳恢复率。

    Apr, 2023

  • 用遗传规划发现动态符号策略

    通过遗传编程优化代数表达式，我们展示了白盒符号控制系统可用于学习和优化转换观察到的控制信号的函数，从而提供了比黑盒模型更具解释性和透明度的方案。

    Jun, 2024

  • 垂直符号回归

    通过垂直发现和学习符号回归，实现了自动化科学发现的目标，从而加速了学习含有多个自变量的符号表达式。

    Dec, 2023

  • 符号回归的最新算法与遗传规划的比较

    我们对新兴的符号回归系统进行测试，使用端到端的转换器模型与基于遗传编程的传统方法进行比较，结果表明传统的遗传编程方法仍然优于最近发表的两种符号回归方法。

    Jun, 2024

  • GP-RVM: 基于遗传编程的符号回归方法使用相关向量机

    本文提出了一种混合基函数构造方法（GP-RVM）来解决符号回归问题，该方法结合了被称为 Kaizen Programming 的遗传编程的扩展版本和相关向量机来发展一组最优基函数。实验结果表明，GP-RVM 优于传统方法，是一种有效且准确的解决方案。

    Jun, 2018