Алгачки негизги суроо: жасалма интеллект теңдемени таба албы?

Кээ бир жасалма интеллект системалары болжолдоо менен гана чектелбейт; маалыматтарга ылайык келген математикалык формулаларды да издешет. Буга символдук регрессия деп айтылат.

Мисалы, колубузда температура, басым, ылдамдык же башка өлчөмдөр болушу мүмкүн. Символдук регрессиянын максаты — бул маалыматтар ортосундагы мамилени түшүндүргөн формула табуу. Бул формула кээде жөнөкөй болушу мүмкүн:

y = 2x + 3

Кээде ал татаалдашы мүмкүн:

y = 10 / (5 + (x - 3)² + (z - 3)²)

Мындай системаларда максат «туура болжол» гана эмес. Ошондой эле адам окуй алган жана түшүндүрө алган математикалык форуланы табуу да маанилүү.

Ошондуктан символдук регрессия илимий ачуулар, инженердик моделдештирүү, маалыматтарды талдоо жана түшүндүрмөлүү жасалма интеллект жагынан маанилүү тармак.

Генетикалык программалоо деген эмне?

Генетикалык программалоо — биологиялык эволюциядан шабыт алган издөө ыкмасы. Жөнөкөй айтканда, компьютер көптөгөн талапкер чечимдерди жаратат. Андан кийин аларды сынап, жакшыларын тандап, жаңы муундарды түзөт.

Бул процессте эки негизги механизм бөлүнүп турат:

Мутация:
Талапкер чечимде кичине кокустук өзгөрүүлөр жасалат.

Кроссовер / рекомбинация:
Эки талапкер чечимдин айрым бөлүктөрү бириктирилип, жаңы талапкерлер түзүлөт.

Табигый эволюцияда жанаруулар генетикалык маалыматтарын кийинки муундарга өткөрүшөт. Генетикалык программалоодо да талапкер программалар же формулалар ушундай өзгөртүлөт, аралаштырылып, жакшыртылууга аракет кылынат.

Cartesian Genetic Programming деген эмне?

Макалада көңүл бурулган ыкма — Cartesian Genetic Programming, кыскартып CGP. Кыргызча «Cartesian генетикалык программалоо» деп айтса болот.

CGPде программалар классикалык катар-катар код эмес, графикалык түзүлүш катары сүрөттөлөт. Бул графикте түйүндөр бар. Ар бир түйүн иш-аракет аткара алат: кошуу, кемитүү, көбөйтүү, бөлүү же башка математикалык функциялар сыяктуу.

1-сүрөттө бул түзүлүш көрсөтүлгөн. Генотип, башкача айтканда ички сүрөттөмө, сан тизмеси сыяктуу коддолот. Бул тизме кайсы түйүн кандай иш аткарып, кайсы киргизүүлөргө туташканын аныктайт. Фенотип болсо чыныгы иштеп жаткан программа. Башкача айтканда, сан тизмесинен чечилген активдүү эсептөө графиги.

Бул жерде маанилүү айырма бар:

Кээ бир түйүндөр активдүү түрдө натыйжага салмак кошот.
Кээ бир түйүндөр генотипте бар, бирок эсептөөдө колдонулбайт.

Эмне үчүн рекомбинация талаштуу?

Генетикалык программалоодо кроссовер көбүнчө маанилүү оператор катары каралат. Анткени эки жакшы чечимдин бөлүктөрү бириктирилип, жакшыраак чечим алынушу мүмкүн.

Бирок CGPде абал ар дайым ушундай эмес. Мурунку изилдөөлөрдө кроссовер техникалары CGPде кээде издөөнү бузуп же күтүлгөн натыйжаны бербеген. Ошондуктан CGPде узак убакыт мутация негизги оператор болуп колдонулган.

Бул изилдөө так ушул пунктка көңүл буруду:

«CGPде рекомбинация чында эле алсызбы, же жакшыраак жөндөөлөр менен жакшыраак натыйжа бере албы?»

Изилдөөчүлөр бул суроону текшерүү үчүн эки рекомбинация ыкмасын издешет:

Subgraph crossover (subgraf kesish)

• Discrete phenotypic recombination (дискреттүү фенотипик рекомбинация)
• Subgraph Crossover деген эмне?

Subgraph crossover эки ата-энеден алынган программалардын активдүү графикалык бөлүктөрүн эске алуу менен жаңы программа түзүүгө аракет кылат. Максат — кокустук ген аралаштыруунун ордуна программанын чыныгы иштеп жаткан бөлүктөрүн этияттык колдонуу.

Муну мындай элестетүүгө болот:

Discrete Phenotypic Recombination деген эмне?

Бул ыкманын максаты пайдалуу структуралардын толук бузулушун алдын алуу болуп саналат. Бирок, эксперименттер маалыматтар топтомуна жараша бул ыкманын эффективдүүлүгүнүн өзгөрмөлүүлүгүн көрсөттү.

Формула дарагында же графикте кээ бир бөлүктөр натыйжага салым кошот. Subgraph crossover бул активдүү бөлүктөрдү маанилүү деп эсептейт жана эки талапкер чечимден маанилүү субграфтарды өткөрүүгө аракет кылат.

Discrete phenotypic recombination, башкача айтканда дискреттүү фенотипик рекомбинация, кайрадан эки ата-энелик программанын ортосунда генетикалык материалды алмаштырат; бирок ал жигердүү түйүндөргө жана колдонмонун көрүнгөн жүрүм-турумуна көбүрөөк көңүл буруу менен жасайт.

Бул жерде "фенотиптик" деген сөз маанилүү. Анткени максат жөн гана генотиптеги сандардын тизмесин аралаштыруу эмес, иш жүзүндө иштеген программанын жүрүм-турумун чагылдырган активдүү структураларды эсепке алуу.

Иштин жыйынтыгы боюнча, изилденген символдук регрессиянын маалымат топтомдорундагы дискреттик фенотиптик рекомбинация көпчүлүк учурларда Subgraph crossoverге караганда жакшыраак медиананы көрсөттү.

Гиперпараметрди оптималдаштыруу эмне үчүн маанилүү?

Жасалма интеллект ыкмасынын ийгилиги алгоритмдин өзүнөн гана көз каранды эмес. Орнотуулар да абдан маанилүү.

Бул орнотуулар гиперпараметрлер деп аталат. Мисалы, бул изилдөөдө төмөнкү орнотуулар маанилүү:

Калктын саны

• Турнир тандоо өлчөмү
• Мутация ылдамдыгы
• Кроссовер деңгээли
• Функция түйүндөрүнүн саны
• Levels-back чеги
• Бул орнотуулар туура эмес тандалган болсо, жакшы ыкма алсыз көрүнүшү мүмкүн. Тескерисинче, жакшы ыңгайлаштырылган ыкманы адилеттүү баалоого болот.

Ошондуктан изилдөөчүлөр SMAC3 деп аталган гиперпараметрди оптималдаштыруу куралын колдонушат. SMAC3 системалуу түрдө ар кандай орнотууларды сынап, жакшыраак конфигурацияларды табууга аракет кылат. Бул процесс 5 эселенген кесилишин текшерүүнү жана 200 сыноодон турган оптималдаштыруу бюджетин колдонгон.

Бул макаладагы эң маанилүү сабактардын бири:

Жасалма интеллект ыкмасын баалоодо, "мен аны демейки жөндөөлөр менен колдондум, натыйжасы ушул" деп айтуу дайыма эле адилеттүү боло бербейт. Ар бир ыкма, айрыкча, жаңы оператор же модель салыштырылып жаткан болсо, негиздүү түрдө туураланышы керек.

Эксперименттер кантип өткөрүлдү?

Жасалма интеллект ыкмасын баалоодо «стандарттык жөндөөлөр менен колдондум, натыйжасы ушул» деп айтуу ар дайым адилеттүү боло бербейт. Айыркча жаңы оператор же модель салыштырылып жатканда, ар бир ыкманы акылмандык менен жөндөө керек.

1-таблицада маалыматтар топтомунун өзгөрмөлөрү жана байкоолорунун саны келтирилген:

192_vineyard: 3 өзгөрмө, 52 байкоо

• 210_cloud: 6 өзгөрмө, 108 байкоо
• 579_fri_c0_250_5: 6 өзгөрмө, 250 байкоо
• 650_fri_c0_500_50: 20 өзгөрмө, 500 байкоо
• 678_visualizing_environmental: 4 өзгөрмө, 11 байкоо
• Бул маалымат топтомдору кичинекей масштабдуу символдук регрессия көйгөйлөрү катары тандалган. Чоң топтомдор жана бүтүн объективдүү маселелер бул изилдөөдө камтылган эмес.

Ар бир топтом үчүн моделдер окутуу жана сыноо бөлүктөрүнө бөлүнөт. Тренинг бөлүгүндө модель иштелип чыгат, ал эми тесттик бөлүгүндө табылган мыкты инсандын көрсөткүчтөрү өлчөнөт.

MSE натыйжалуулугун өлчөө үчүн колдонулган. MSE - болжолдонгон жана чыныгы маанинин ортосундагы орточо квадраттык ката. Бул жерде төмөнкү MSE жакшыраак иштөөнү билдирет.

Графиктер эмнени көрсөтүп турат?

2-сүрөт үч түрдүү ыкманын натыйжаларын көрсөтөт:

Mutation-only, башкача айтканда, мутация гана колдонулган CGP

• Discrete recombination колдонулган CGP
• Subgraph crossover колдонулган CGP
• Графиктер ар бир ыкма үчүн кол менен тандалган эки базалык жөндөөлөрдү гиперпараметрлерди оптималдаштыруудан алынган орнотуу менен салыштырат.

Mutation-only (мутация гана) колдонулган CGPда гиперпараметрди оптималдаштыруунун эффектиси чектелүү көрүнөт. Башкача айтканда, оптималдаштырылган орнотуулар кол менен тандалгандарга караганда олуттуу жакшыртууну камсыз кылган эмес.

Ал эми гиперпараметрлерди оптималдаштыруунун эффекттери рекомбинацияны колдонгон методдордо көбүрөөк байкалат. Айрыкча, кээ бир топтомдордо, оптималдаштырылган конфигурациялар кол менен орнотууларга караганда төмөн MSE маанилерин берди.

Графиктер ошондой эле Subgraph crossover кээ бир топтомдордо өтө өзгөрүлмө натыйжаларды берерин көрсөтүп турат. Кең ката тилкелери метод кээ бир чуркоодо жакшы, башкаларында өтө начар иштеши мүмкүн экенин көрсөтүп турат.

Бул графиктердин негизги билдирүүсү бул:

Рекомбинацияга негизделген CGP ыкмаларын баалоодо, гиперпараметрдик оптималдаштыруу аткарылбаса, методдун чыныгы потенциалы туура көрүнбөй калышы мүмкүн.

3-таблица эмне дейт?

Таблица 3 оптималдаштырылган CGP моделдеринин беш топтомунун MSE медианалык натыйжаларын салыштырат. Бул жерде үч ыкма бар:

Discrete recombination (дискреттүү рекомбинация)

• Subgraph crossover (subgraf kesish)
• Mutation-only (мутация гана)
• Натыйжаларга ылайык, Discrete recombination беш топтомдун төртөөндө эң жакшысы менен төмөн же статистикалык жактан байланыштуу болгон медианалык көрсөткүчтү көрсөттү.

Кээ бир көрүнүктүү мисалдар болуп төмөнкүлөр саналат:

192_vineyard:

Discrete recombination median MSE: 6.20
Subgraph crossover median MSE: 10.55
Mutation-only median MSE: 8.31
210_cloud:

Discrete recombination median MSE: 0.18
Subgraph crossover median MSE: 20.34
Mutation-only median MSE: 0.18
579_fri_c0_250:

Discrete recombination median MSE: 0.54
Subgraph crossover median MSE: 2.62
Mutation-only median MSE: 0.68
678_visualizing_environmental:

Subgraph crossover median MSE: 7.26
Discrete recombination median MSE: 7.69
Mutation-only median MSE: 8.45
Бул таблица Discrete recombination ыкмасы изилденген символдук регрессия маселелери боюнча туруктуу жана күчтүү болуп көрүнөрүн көрсөтүп турат. Бирок, жыйынтыктар бардык символдук регрессия көйгөйлөрү үчүн жалпы аныктоо катары чечмеленбеши керек.

Изилдөө эмне дейт?

Изилдөөнүн негизги натыйжасы:

Гиперпараметрди оптималдаштыруу, өзгөчө рекомбинацияга негизделген CGP методдорунда иштөөнү жакшыртат.

Бул табылга маанилүү, анткени мурда кээ бир рекомбинация ыкмалары "CGP үчүн жетиштүү эмес" деп бааланган болушу мүмкүн. Бирок, бул эсептөөлөр көбүнчө кол менен тандалган орнотуулар менен жүргүзүлөт. Орнотуулар ыкмага дал келбесе, ыкма ага караганда алсызыраак көрүнүшү мүмкүн.

Изилдөөчүлөр ошондой эле эки рекомбинация ыкмасын салыштырышкан. Discrete phenotypic recombination изилденген топтомдордо Subgraph crossover караганда жалпы жакшыраак медиананы көрсөттү. Subgraph crossover, экинчи жагынан, кээ бир топтомдордо көбүрөөк өзгөрүлмө натыйжаларды берди.

Мутацияга гана тиешелүү CGP кээ бир учурларда рекомбинация ыкмаларына окшош натыйжаларды бере алат. Бул мутация CGPда дагы эле күчтүү башкы оператор экенин көрсөтүп турат.

Бул эмне үчүн маанилүү?

Бул изилдөө CGP боюнча жөн гана техникалык эксперимент эмес. Ошондой эле кеңири жасалма интеллект сабагын эске салат:

Методду калыс баалоо үчүн анын жөндөөлөрү да адилеттүү оптималдаштырылышы керек.

Бул изилдөө CGP боюнча жөн гана техникалык эксперимент эмес. Кеңири жасалма интеллект сабагын да эске салат:

Ошондуктан, илимий салыштырууларда гиперпараметрлерди оптималдаштыруу маанилүү роль ойнойт. Бул генетикалык программалоо сыяктуу кокус издөөнү колдонгон ыкмаларда өзгөчө маанилүү. Анткени популяциянын өлчөмү, мутация жана кроссовер ылдамдыгы сыяктуу орнотуулар натыйжага түздөн-түз таасир этиши мүмкүн.

Изилдөө ошондой эле символдук регрессиянын маанилүүлүгүн көрсөтөт. Символдук регрессия болжолдуу кара куту моделдеринин ордуна маалыматтарга туура келген математикалык туюнтмаларды табууга аракет кылат. Бул түшүндүрүүчү жасалма интеллект жана илимий моделди ачуу үчүн баалуу изилдөө аймагы.

Көңүл бура турган жагдайлар

Бул изилдөөнүн жыйынтыгы этияттык менен окуу керек.

Биринчиден, эксперименттер беш гана кичинекей символдук регрессиялык топтомдор боюнча жүргүзүлгөн. Натыйжалар чоңураак, татаалыраак же башка функциялар топтомдору менен айырмаланышы мүмкүн.

Экинчиден, MSE натыйжалуулуктун чарасы катары колдонулган. Моделдик божомолдор MSE төмөн болгондо жакшыраак болушу мүмкүн; бирок табылган символдук туюнтумдун жөнөкөйлүгү, түшүндүрмөсү же физикалык мааниси өзүнчө бааланышы керек.

Үчүнчүдөн, гиперпараметрди оптималдаштыруунун өзү кымбат. Жакшыраак орнотууну табуу үчүн көп сыноо керек. Ошондуктан, натыйжалуулук жана оптималдаштыруу наркы чогуу каралышы керек.

Төртүнчүдөн, Subgraph crossover өзгөрмө таасири ал толугу менен ийгиликсиз экенин билдирбейт. Натыйжалар ар кандай жыйнактарга, орнотуу талааларына же CGP туюнтмаларына жараша өзгөрүшү мүмкүн.

Акыр-аягы, бул изилдөө белгилүү эталондук жана TinyverseGP тиркемесинин негизинде уланууда. Башка колдонмо алкагында же башка символдук регрессия тапшырмаларында кошумча тестирлөө керек.

Жыйынтык

Бул изилдөө генетикалык программалоодо методду салыштыруу алгоритмдин аталышына гана негизделбестигин көрсөтүп турат. Ошол эле алгоритм ар кандай гиперпараметр орнотуулары менен такыр башка натыйжаларды бере алат.

Cartesian Genetic Programming көптөн бери негизинен мутация менен бирге колдонулуп келген. Бирок, рекомбинация ыкмалары этияттык менен мурда чектелген пайда алып келген деп эсептелген. Бул изилдөө рекомбинацияга негизделген CGP кээ бир символдук регрессия көйгөйлөрүндө, өзгөчө гиперпараметрдик оптималдаштыруу аткарылганда жакшыраак иштей аларын көрсөтүп турат.

Эң негизги сабак бул:

Жасалма интеллект жакшы алгоритмдерди эле эмес, жакшылап жөнгө салынган тажрыйбаларды талап кылат.

Ошондуктан, келечекте жаңы операторлор же ыкмалар генетикалык программалоодо жана символдук регрессия изилдөөлөрүндө салыштырылганда гиперпараметрлерди оптималдаштыруу стандарттык баалоо кадамы бойдон кала берет.

Булак жана ыкма эскертүүсү

Бул мазмун Duy Long Tran, Anja Jankovic, Marie Anastacio, Holger Hoos жана Roman Kalkreuth тарабынан даярдалган «Improving Evaluation of Recombination-based Cartesian Genetic Programming» аттуу илимий эмгек негизинде Verianla редакциялык форматында көз карандысыз даярдалган.

PDF ACM GECCO Companion '26 конференция маалыматын жана arXiv версиясын камтыйт. Мазмун маалыматтык жана билим берүү максатында. Жасалма интеллект, программалык камсыздоо, маалымат илими же модел тандоо боюнча профессионалдык кеңештердин ордун алмаштыра албайт.

PDF ACM GECCO Companion '26 конференция маалыматын жана arXiv версиясын камтыйт. Мазмун маалыматтык жана билим берүү максатында. Жасалма интеллект, программалык камсыздоо, маалымат илими же модел тандоо боюнча профессионалдык кеңештердин ордун алмаштыра албайт.