Multi-Objective Genetic Programming for Dataset Similarity Induction
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F15%3A10317478" target="_blank" >RIV/00216208:11320/15:10317478 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/67985807:_____/15:00455776
Výsledek na webu
<a href="http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=7376798" target="_blank" >http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=7376798</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/SSCI.2015.222" target="_blank" >10.1109/SSCI.2015.222</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Multi-Objective Genetic Programming for Dataset Similarity Induction
Popis výsledku v původním jazyce
Metalearning -- the recommendation of a suitable machine learning technique for a given dataset -- relies on the concept of similarity between datasets. Traditionally, similarity measures have been constructed manually, and thus could not precisely graspthe complex relationship among the different features of the datasets. Recently, we have used an attribute alignment technique combined with genetic programming to obtain more fine-grained and trainable dataset similarity measure. In this paper, we propose an approach based on multi-objective genetic programming for evolving an attribute similarity function. Multi-objective optimization is used to encourage some of the metric properties, thus contributing to the generalization abilities of the similarity function being evolved. Experiments are performed on the data extracted from the OpenML repository and their results are compared to the baseline algorithm.
Název v anglickém jazyce
Multi-Objective Genetic Programming for Dataset Similarity Induction
Popis výsledku anglicky
Metalearning -- the recommendation of a suitable machine learning technique for a given dataset -- relies on the concept of similarity between datasets. Traditionally, similarity measures have been constructed manually, and thus could not precisely graspthe complex relationship among the different features of the datasets. Recently, we have used an attribute alignment technique combined with genetic programming to obtain more fine-grained and trainable dataset similarity measure. In this paper, we propose an approach based on multi-objective genetic programming for evolving an attribute similarity function. Multi-objective optimization is used to encourage some of the metric properties, thus contributing to the generalization abilities of the similarity function being evolved. Experiments are performed on the data extracted from the OpenML repository and their results are compared to the baseline algorithm.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA15-19877S" target="_blank" >GA15-19877S: Automatické modelování znalostí a plánů pro autonomní roboty</a><br>
Návaznosti
S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2015
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Computational Intelligence, 2015 IEEE Symposium Series on
ISBN
978-1-4799-7560-0
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
1576-1582
Název nakladatele
IEEE
Místo vydání
New York, USA
Místo konání akce
Kapské město, Jihoafrická republika
Datum konání akce
7. 12. 2015
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—