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”

Linear combinations of features as leaf nodes in symbolic regression

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F17%3A00313865" target="_blank" >RIV/68407700:21230/17:00313865 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/68407700:21730/17:00313865

  • Výsledek na webu

    <a href="https://dl.acm.org/citation.cfm?id=3076009" target="_blank" >https://dl.acm.org/citation.cfm?id=3076009</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1145/3067695.3076009" target="_blank" >10.1145/3067695.3076009</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Linear combinations of features as leaf nodes in symbolic regression

  • Popis výsledku v původním jazyce

    We propose a new type of leaf node for use in Symbolic Regression (SR) that performs linear combinations of feature variables (LCF). LCF's weights are tuned using a gradient method based on back-propagation algorithm known from neural networks. Multi-Gene Genetic Programming (MGGP) was chosen as a baseline model. As a sanity check, we experimentally show that LCFs improve the performance of the baseline on a rotated toy SR problem. We then perform a thorougher experimental study on a number of artificial and real-world SR benchmarks. The usage of LCFs in MGGP statically improved the results in 5 cases out of 9, while it worsen them in only a single case.

  • Název v anglickém jazyce

    Linear combinations of features as leaf nodes in symbolic regression

  • Popis výsledku anglicky

    We propose a new type of leaf node for use in Symbolic Regression (SR) that performs linear combinations of feature variables (LCF). LCF's weights are tuned using a gradient method based on back-propagation algorithm known from neural networks. Multi-Gene Genetic Programming (MGGP) was chosen as a baseline model. As a sanity check, we experimentally show that LCFs improve the performance of the baseline on a rotated toy SR problem. We then perform a thorougher experimental study on a number of artificial and real-world SR benchmarks. The usage of LCFs in MGGP statically improved the results in 5 cases out of 9, while it worsen them in only a single case.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    20205 - Automation and control systems

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA15-22731S" target="_blank" >GA15-22731S: Symbolická regrese pro posilované učení ve spojitých prostorech</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2017

  • 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

    Proceedings of the Genetic and Evolutionary Computation Conference Companion

  • ISBN

    978-1-4503-4939-0

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    2

  • Strana od-do

    145-146

  • Název nakladatele

    ACM

  • Místo vydání

    New York

  • Místo konání akce

    Berlín

  • Datum konání akce

    15. 7. 2017

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku