Using graph neural networks as surrogate models in genetic programming

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>

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.

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)

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2022

Kód důvěrnosti údajů

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

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

—