符号回归的最新算法与遗传规划的比较
本研究对最近遗传规划、符号回归以及机器学习方法在回归问题中的表现进行了广泛的基准测试,并且发现在性能和准确度上,符号回归具有非常强的竞争力,但在运行时间上较缓慢,因此提出了符号回归在机器学习领域推广可能面临的问题。
Apr, 2018
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
本研究通过举行 Symbolic Regression 竞赛,基于不同的合成和真实数据集比较了演化算法、枚举算法、混合线性整数规划、神经网络和贝叶斯优化等不同算法在现实世界数据建模方面的表现,并讨论了 Symbolic Regression 算法的挑战和未来发展方向。
Apr, 2023
本文提出了一种开源、可重现的基准测试平台,对 14 种符号回归方法和 7 种机器学习方法以 252 个回归问题评估,发现真实数据集的最佳表现方法结合了遗传算法和参数估计和 / 或语义搜索驱动程序,而在噪声存在下找到精确方程的能力,深度学习和基于遗传算法的方法表现类似。
Jul, 2021
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
本文提出了一种新的基于贝叶斯的符号回归 (SR) 方法,通过添加先验知识,控制复杂度,并利用马尔可夫链蒙特卡罗方法从后验分布中采样符号树,从而提高 SR 模型的可解释性和准确性。与遗传编程相比,该方法更节省计算机内存。
Oct, 2019
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
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
使用复杂系统、网络、遗传编程、符号回归和进化计算等方法,该研究论文介绍了一种用于生成网络结构和发展过程的新型网络生成器,并通过改进的方法和应用于多个数据集的实验证明了其解释性和去中心化特性。
Dec, 2023