.png){kind=icon}
返回
Semantics-guided multi-task genetic programming for multi-output regression
.png){kind=icon}
OA
AI
DOI：10.1016/j.patcog.2024.111289.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多输出回归涉及同时预测两个或多个输出变量，由于这些变量之间经常存在相互依赖关系，其复杂性高于单输出回归。这种依赖性意味着要准确预测一个变量，通常需要仔细分析其与其他变量的关系。在本文中，将多输出回归问题视为多任务问题，将每个输出变量的预测视为一个独立任务。提出了一种新的多任务多群体遗传编程方法来解决该问题。该方法引入了基于语义的交叉算子，用于从相似任务中识别最具信息量的子树，从而促进正向知识转移。实验结果表明，本方法显著提升了其他多任务GP方法的训练和测试性能，在大多数考察的回归数据集上超越了标准GP和带有回归器链的GP。进一步分析发现，所提出的方法能够通过知识转移生成高质量解，并能高效地演化出适用于相似输出变量的GP模型，显著增强了正向知识转移。
Keyword:
Multi-output regression
Genetic programming
Evolutionary multi-task optimization
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Semantic Similarity Based Crossover in GP: The Case for Real-Valued Function Regression基于语义相似性的遗传编程交叉：实值函数回归案例
PREAI
分享收藏Multi-target regression via input space expansion: treating targets as inputs.png)
MACHINE LEARNINGOAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏An Evolutionary Multitasking-Based Feature Selection Method for High-Dimensional Classification
PREAI
分享收藏分享收藏
查看更多内容