Using graph neural networks as surrogate models in genetic programming
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F22%3A00561586" target="_blank" >RIV/67985807:_____/22:00561586 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/00216208:11320/22:10455086
Výsledek na webu
<a href="https://dx.doi.org/10.1145/3520304.3529024" target="_blank" >https://dx.doi.org/10.1145/3520304.3529024</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1145/3520304.3529024" target="_blank" >10.1145/3520304.3529024</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Using graph neural networks as surrogate models in genetic programming
Popis výsledku v původním jazyce
Surrogate models have been used for decades to speed up evolutionary algorithms, however, most of their uses are tailored for problems with simple individual encoding, like vectors of numbers. In this paper, we evaluate the possibility to use two different types of graph neural networks to predict the quality of a solution in tree-based genetic programming without evaluating the trees. The proposed models are evaluated in a number of benchmarks from symbolic regression and reinforcement learning and show that GNNs can be successfully used as surrogate models for problems with a complex structure.
Název v anglickém jazyce
Using graph neural networks as surrogate models in genetic programming
Popis výsledku anglicky
Surrogate models have been used for decades to speed up evolutionary algorithms, however, most of their uses are tailored for problems with simple individual encoding, like vectors of numbers. In this paper, we evaluate the possibility to use two different types of graph neural networks to predict the quality of a solution in tree-based genetic programming without evaluating the trees. The proposed models are evaluated in a number of benchmarks from symbolic regression and reinforcement learning and show that GNNs can be successfully used as surrogate models for problems with a complex structure.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2022
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
GECCO 2022 Companion - Proceedings of the 2022 Genetic and Evolutionary Computation Conference
ISBN
978-1-4503-9268-6
ISSN
—
e-ISSN
—
Počet stran výsledku
4
Strana od-do
582-585
Název nakladatele
ACM
Místo vydání
New York
Místo konání akce
Boston
Datum konání akce
9. 7. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—