Co-evolutionary genetic programming for dataset similarity induction

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F15%3A10317487" target="_blank" >RIV/00216208:11320/15:10317487 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/67985807:_____/15:00459144

Výsledek na webu

<a href="http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=7257020" target="_blank" >http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=7257020</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/CEC.2015.7257020" target="_blank" >10.1109/CEC.2015.7257020</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Co-evolutionary genetic programming for dataset similarity induction

Popis výsledku v původním jazyce

Metalearning deals with an important problem in machine-learning, namely selecting the right techniques to model the data at hand. In most of the metalearning approaches, a notion of similarity between datasets is needed. Our approach derives the similarity measure by combining arbitrary attribute similarity functions ordered by the optimal attribute assignment. In this paper, we propose a genetic programming based approach to the evolution of an attribute similarity inducing function. The function is composed of two parts - one describes the similarity of categorical attributes, the other describes the similarity of numerical attributes. Co-evolution is used to put these two parts together to form the similarity function. We use a repairing approach to guarantee some of the metric features for this function, and also discuss which of these features are important in metalearning.

Název v anglickém jazyce

Co-evolutionary genetic programming for dataset similarity induction

Popis výsledku anglicky

Metalearning deals with an important problem in machine-learning, namely selecting the right techniques to model the data at hand. In most of the metalearning approaches, a notion of similarity between datasets is needed. Our approach derives the similarity measure by combining arbitrary attribute similarity functions ordered by the optimal attribute assignment. In this paper, we propose a genetic programming based approach to the evolution of an attribute similarity inducing function. The function is composed of two parts - one describes the similarity of categorical attributes, the other describes the similarity of numerical attributes. Co-evolution is used to put these two parts together to form the similarity function. We use a repairing approach to guarantee some of the metric features for this function, and also discuss which of these features are important in metalearning.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

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

Rok uplatnění

2015

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Evolutionary Computation (CEC), 2015 IEEE Congress on

ISBN

978-1-4799-7492-4

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

1160-1166

Název nakladatele

IEEE

Místo vydání

Neuveden

Místo konání akce

Sendai, Japonsko

Datum konání akce

25. 5. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—