Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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