面向回归的Epsilon-词典选择

词典选择（Lexicase selection）是一种亲本选择方法，在执行亲本选择时将测试用例单独考虑，而非聚合考虑。它在离散误差空间中表现良好，但在构成大多数系统辨识任务的连续值问题上表现不佳。在本文中，我们为符号回归开发了一种新形式的词典选择，命名为epsilon-lexicase selection（epsilon-词典选择），它以更有效的方式重新定义了个体在每个测试用例上的通过条件。我们在真实世界和合成问题上运行了一系列带有若干epsilon处理的实验，并量化了epsilon如何影响亲本选择和模型性能。结果表明epsilon-lexicase selection对回归是有效的，与其他技术（如锦标赛选择和年龄-适应度帕累托优化）相比产生拟合更好的模型。我们证明了epsilon可基于种群性能分布为每个测试用例自动调整。我们的实验表明，带有自动epsilon的epsilon-lexicase selection在测试问题上产生了最准确的模型，且计算开销可忽略。我们表明词典选择处理中的行为多样性异常高，并且epsilon-lexicase selection在选择亲本时比lexicase selection使用了更多的适应度用例，这有助于解释性能的提升。