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
—