主动学习提升 StackGP 中符号回归任务的性能
机器学习
2022-02-11 v1
摘要
在本文中，我们介绍了一种使用 StackGP 进行符号回归的主动学习方法。该方法从少量数据点开始，供 StackGP 建模。为了改进模型，系统增量式地添加一个数据点，使得新点能最大化由模型集成度量的预测不确定性。然后使用更大的数据集重新运行符号回归。此循环持续进行，直到系统满足终止条件。我们使用 Feynman AI 基准方程集来检验我们的方法使用更少数据点找到合适模型的能力。结果发现，该方法成功重新发现了 100 个 Feynman 方程中的 72 个，且使用了尽可能少的数据点，并且没有使用领域专业知识或数据转换。
引用
@article{arxiv.2202.04708,
title = {Active Learning Improves Performance on Symbolic RegressionTasks in StackGP},
author = {Nathan Haut and Wolfgang Banzhaf and Bill Punch},
journal= {arXiv preprint arXiv:2202.04708},
year = {2022}
}
备注
8 page, 1 figure. Submitted to GECCO-2022