Introns and Templates Matter: Rethinking Linkage in GP-GOMEA

GP-GOMEA 是符号回归领域的前沿方法之一，尤其在寻找小且可能具有可解释性的解决方案方面。GOMEA 变体中采用的关键机制是链式依赖，即变量之间的依赖关系，以确保高效演化。在 GP-GOMEA 中，节点位置之间的互信息已用于学习链式。为此，采用固定的表达式模板。然而，这会导致表达式小于完整模板时出现 introns。由于 introns 对适应度没有实际影响，其发生方式不直接与选择相关。因此，intron 可能对互信息捕获树节点之间的依赖关系的程度产生负面影响。为克服这一问题，我们提出了两种新的链式学习措施：一种显式地考虑 introns 在互信息估计中的作用，另一种从灰箱角度重新审视 GP-GOMEA 中的链式学习，产生一种无需从种群中学习即可从模板中直接推导出的措施。在五个标准符号回归问题上，GP-GOMEA 使用这两种措施均实现了显著的改进。我们还发现，新学习的链式结构与模板链式结构非常吻合，而显式地使用模板结构可实现最佳性能。