针对d维符号回归问题的Transformer语义遗传编程

《ACM Transactions on Evolutionary Learning and Optimization》：Transformer Semantic Genetic Programming for d-dimensional Symbolic Regression Problems

　　

摘要AI 摘要

查看此 AI 生成的摘要，您必须具备高级访问权限。

了解更多登录

摘要

摘要

Transformer 语义遗传编程（TSGP）是一种语义搜索方法，它使用预训练的 transformer 模型作为变异算子来生成与给定父代具有高度语义相似性的后代程序。与其他依赖固定语法转换的语义 GP 方法不同，TSGP 旨在学习多样的结构变异，从而获得语义相似但结构不同的解。我们发现，在数百万个程序上训练出的单一 transformer 模型能够泛化到不同维度的符号回归问题上。在 24 个真实世界和合成数据集上评估，TSGP 显著优于标准 GP、SLIM_GSGP、深度符号回归和去噪自编码器 GP，在所有基准测试中平均排名为 1.58。此外，尽管 TSGP 的准确率更高，但它产生的解比 SLIM_GSGP 更紧凑。另外，目标语义距离能够有效调节语义空间中的步长：较小值可实现适应度的稳定改进，但往往导致程序更大；而较大值则促进更快的收敛和紧凑性。因此，目标语义距离为平衡探索与开发提供了有效机制。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，未经本文作者撰写或审核。提供此摘要是为了支持文献发现，帮助读者评估相关性，并协助来自相邻研究领域的读者理解该工作。本摘要旨在补充作者提供的摘要，后者仍是论文的主要总结。全文仍是权威记录版本。点击此处了解更多。

点击此处对本摘要的准确性、清晰度和有用性进行评论。您的反馈将有助于改进和生成未来版本。

查看此 AI 生成的简明摘要，您必须具备高级访问权限。