跳到正文
原文
arXiv · Neural and Evolutionary Computing· Nam H. Le
· 3 天前

迁移非线性:下游学习器如何重塑遗传编程必须进化的内容

Relocating Nonlinearity: How a Downstream Learner Reshapes What Genetic Programming Must Evolve

预印本 · 尚未经过同行评审

AI 导读

在布尔域中,线性学习器迫使进化程序精确达到目标的傅里叶度,树集成则以更简单程序成功且频率高四倍。

摘要 · AI 翻译

遗传编程最初被设想为一种演化解决方案的方式:程序本身就是答案,适应度是其自身输出的误差。而一条重要的研究路线则反其道而行之,将程序作为另一个独立学习器的输入,因此适应度衡量的是该学习器的输出。附加哪个学习器至关重要,且取决于具体问题,但现有研究并未说明是什么决定了这一选择。对遗传编程而言,目标的困难程度取决于程序必须通过组合原语来构建多少非线性;学习器所提供的任何非线性,程序都无需再构建。在此我们表明,程序仍需构建多少非线性,取决于所附加的是哪个学习器,并且可以在程序本身上进行测量。在布尔域中,目标的非线性恰好等于其傅里叶阶数,我们在其他一切条件固定的情况下将该阶数从一调到六。在成功的条件下,线性学习器迫使演化出的程序精确达到目标的阶数,在每种设置三十次运行中,一至六阶无一例外;而树集成则以简单得多的程序成功,且成功率高出四倍。当目标的结构已知时,可以根据该结构而非目标在难度上的名声来选择学习器:我们的对照目标阶数低于奇偶问题,却从非线性学习器中毫无获益。当结构未知时,同样的量可作为诊断工具:演化程序的阶数在任何运行过程中都可自由计算,并能显示学习器是在毫无贡献还是在承载模型;在两个实测数据集上,由此得到的流程在任何演化运行之前就选出了正确的学习器。随之而来的一个警示是:演化仅在六十三个条件中的四个里内化了学习器所提供的内容,而在四十四个条件中变得更加依赖它。学习器越强大,程序中留下的可读模型就越少。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Neural and Evolutionary Computing · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。