Linear combinations of features as leaf nodes in symbolic regression

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>

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.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

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)

Rok uplatnění

2017

Kód důvěrnosti údajů

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

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

—