Саволи асосӣ: Оё зеҳни сунъӣ метавонад як муодиларо ёбад?

Баъзе системаҳои зеҳни сунъӣ на танҳо пешгӯӣ мекунанд; онҳо ба ҷустуҷӯи ифодаҳои математикӣ мувофиқи маълумот низ мераванд. Инро регрессияи рамзӣ меноманд.

Масалан мо метавонем ҳарорат, фишор, суръат ё дигар андозагириҳоро дошта бошем. Мақсади регрессияи рамзӣ ёфтани формулаест, ки муносибат байни ин маълумотҳоро шарҳ медиҳад. Ин формула баъзан метавонад оддӣ бошад:

y = 2x + 3

Баъзан ҳатто мураккабтар мешавад:

y = 10 / (5 + (x - 3)² + (z - 3)²)

Дар чунин системаҳо мақсад танҳо «пешгӯи дуруст» нест. Ҳамчунин муҳим аст, ки ифодаи математикӣ пайдо карда шавад, ки инсон тавонад онро хонда ва таҳлил кунад.

Аз ин рӯ, регрессияи рамзӣ як соҳаи муҳими таҳқиқоти илмӣ, моделсозии муҳандисӣ, таҳлили додаҳо ва зеҳни сунъии фаҳмо мебошад.

Барномасозии генетикӣ чист?

Барномасозии генетикӣ як усули ҷустуҷӯ мебошад, ки аз инкишофи биологӣ илҳом гирифта шудааст. Ба таври содда гуфтан мумкин аст, ки компютер чандин ҳалли номзад эҷод мекунад. Пас ин ҳаллҳоро санҷида, беҳтарҳоро интихоб мекунад ва наслҳои навро эҷод мекунад.

Дар ин раванд ду механизми асосӣ бештар ҷилва мекунад:

Mutasyon:
Дар як номзад дар ҳалли масъала тағйироти тасодуфии хурд ворид карда мешаванд.

Crossover / Rekombinasyon:
Аз ду номзад қисми муайяни ҳалли муштарак гирифта шуда номзадҳои нав эҷод карда мешаванд.

Дар гардиши табиатӣ живандагон маълумоти генетикии худро ба наслҳои оянда мегузаронанд. Дар барномарезии генетикӣ низ барномаҳо ё формулаҳои номзад ба ҳамин тарз тағйир дода мешаванд, омехта карда мешаванд ва кӯшиш мекунанд, ки беҳтар гарданд.

Cartesian Genetic Programming Чӣ аст?

Равиши асосии мақола Cartesian Genetic Programming мебошад, ки кӯтоҳ бар CGP иқтибос шудааст. Дар туркӣ онро "Барномаҳои генетикии Картезият" номидан мумкин аст.

Дар CGP барномаҳо на ба мисли кодҳои сатр ба сатр, балки ба мисли сохтори графикӣ пешниҳод мешаванд. Дар ин графикӣ гиреҳҳо ҳастанд. Ҳар гиреҳ метавонад як амал иҷро кунад: ҷамъ кардан, кам кардан, зарб кардан, тақсим кардан ё функсияҳои дигари математикӣ монанди ин.

Дар рақами 1 ин сохтор нишон дода шудааст. Генотип, яъне намоиши дохилӣ, мисли рӯйхати рақамҳо рамзгузорӣ карда мешавад. Ин рӯйхати рақамҳо нишон медиҳад, ки кадом маҷмур кадом амалиётро иҷро мекунад ва ба кадом вурудҳо пайваст мешавад. Фенотип бошад барномаи воқеан коркунанда мебошад. Яъне графики ҳисобкунии фаъоли ҳалшуда аз рӯйхати рақамҳо.

Дар ин ҷо як фарқияти муҳим вуҷуд дорад:

Баъзе нуқтаҳо фаъолона ба натиҷа саҳм мегузоранд.
Баъзе гузаргоҳҳо танҳо дар генотип ҳастанд, вале дар ҳисобот истифода намешаванд.

Ин қисмҳои истифоданашуда ба «non-coding» маъруфанд, яъне қисмҳои рамзанашуда. Яке аз ҷанбаҳои ҷолиби CGP ҳамин аст: Дар барнома ҳанӯз истифоданашуда, аммо дар раванди таҳаввул метавонанд дар оянда кор дароянд, қисмҳо пайдо шаванд.

Чаро рекомбинатсия баҳсбарангез аст?

Дар барномасозии генетикӣ, гузарандагӣ аксар вақт ҳамчун як оператори муҳим дида мешавад. Зеро қисматҳои ду ҳалли хуб тавассути якҷояшавӣ метавонанд ҳалли беҳтар ба даст оранд.

Фақат дар CGP вазият ҳамеша чунин нест. Дар корҳои гузашта мушоҳида шудааст, ки техникаҳои crossover дар CGP баъзан ҷустуҷӯро хароб мекунанд ё афзоиши интизоршудаи иҷроишро таъмин намекунанд. Аз ин рӯ, дар CGP муддати тӯлонӣ мутация ҳамчун амалиёти асосӣ истифода шудааст.

Ин кор ба ҳамин нуқта тамаркуз карда шудааст:

Оё рекомбинасия дар CGP воқеан заиф аст, ё бо танзимоти беҳтар натиҷаҳои беҳтар дода метавонад?

Тадқиқотчиён барои санҷидани ин савол ду усули рекомбинасияро меомӯзанд:

• Subgraph crossover
• Discrete phenotypic recombination

Subgraph Crossover Чӣ аст?

Subgraph crossover, ду волид барнома кӯшиш мекунад барномаи нав созад, бо таваҷҷуҳ ба қисматҳои графики фаъол аз барнома. Ҳадаф ин аст, ки ба ҷои омезиши тасодуфии генҳо, қисматҳои воқеан коркунанда ва самарабахши барномаро бодиққаттар истифода барад.

Мо метавонем чунин фикр кунем:

Дар дарахт ё графи формула баъзе қисмҳо ба натиҷа таъсир мерасонанд. Subgraph crossover, ба ин қисмҳои фаъол эътибор медиҳад ва кӯшиш мекунад, ки аз ду ҳалли номзад зерграфҳои моҳиятнокро интиқол диҳад.

Ҳадафи ин равиш пешгирӣ кардани пурра пошхӯрии сохторҳои самаранок мебошад. Аммо дар таҷрибҳо ин усул тавоноӣашро вобаста ба маҷмӯаи додаҳо тағйир дода метавонад.

Discrete Phenotypic Recombination Чӣ аст?

Discrete phenotypic recombination, яъне рекомбинацияи фенотипии ҷудогона, боз байни ду барномаи волид генетикии модда иваз мекунад; вале инро бо тамаркуз ба занҷирҳои фаъол ва рафтори намоёни барнома бештар анҷом медиҳад.

Лафзи “фенотипик” дар ин ҷо муҳим аст. Зеро мақсад танҳо омехта кардани рӯйхати рақамҳо дар генотип нест, балки ба таҳлили сохторҳои фаъол, ки воқеан рафтори барномаи коршударо ифода мекунанд, аҳамият додан мебошад.

Бар асоси натиҷаҳои мақола, дар маҷмӯаҳои додаҳои регрессияи рамзӣ баррасишаванда, омезиши фенотипии ҷудогона дар бисёр ҳолатҳо нисбат ба гузариши subgraph иҷроият миёнаи беҳтар нишон дод.

Сабабҳои муҳими оптимизатсияи гиперпараметрҳо чист?

Муваффақияти як усули зеҳни сунъӣ танҳо ба алгоритм вобаста нест. Танзимот низ хеле муҳим аст.

Ин танзимотҳоро гиперпараметр меноманд. Масалан, дар ин тадқиқот ин танзимотҳо муҳиманд:

• Андозаи аҳолӣ
• Андозаи интихоботи мусобиқа
• Нисбати мутация
• Нисбати гузариш
• Шумораи нуқтаҳои функсионалӣ
• марзи Levels-back

Агар ин танзимот бад интихоб карда шаванд, як усул хуб метавонад заиф ба назар расад. Баръакс, як усули хуб танзимшуда метавонад одилона арзёбӣ шавад.

Тадқиқотгарон бинобар ин аз воситаи оптимизатсияи гиперпараметрҳо бо номи SMAC3 истифода мебаранд. SMAC3 бо санҷиши системавии танзимоти гуногун кӯшиш мекунад, ки конфигуратсияҳои беҳтар пайдо кунад. Дар ин раванд аз тасдиқи чаҳорчӯбаи панҷкарата ва буҷети оптимизатсия бо 200 кӯшиш истифода шудааст.

Яке аз нуқтаҳои муҳимтарини таълимии ин матн чунин аст:

Ҳангоми арзёбии як усули зеҳни сунъӣ гуфтан, ки 'ман онро бо танзимоти пешфарзӣ иҷро кардам, натиҷа ҳамин аст', ҳамеша одилона набошад. Хусусан агар оператор ё модели нав муқоиса карда шавад, ҳар усул бояд бо роҳи оқилона танзим шавад.

Таҷрибаҳо чӣ гуна анҷом дода шуданд?

Таҳқиқгарон барои регрессияи рамзӣ панҷ маҷмӯи додаҳоро аз SRBench истифода кардаанд. Ин маҷмӯъҳои додаҳо аз коллексияи Penn Machine Learning Benchmarks интихоб шудаанд.

Дар Ҷадвали 1 миқдори тағйирёбандаҳо ва мушоҳидаҳо дар маҷмӯаҳои додаҳо нишон дода шудааст:

• 3 тағйирёбанда, 52 наблюдение
• 6 тағйирёбанда, 108 наблюд
• 6 тағйирёбанда, 250 наблюд
• 20 тағйирёбанда, 500 наблюдение
• 4 тағйирёбанда, 11 наблюдение

Ин маҷмӯаҳои додаҳо ҳамчун масъалаҳои хурди таҳлили рамзӣ интихоб шудаанд. Маҷмӯаҳои калон ва масъалаҳои бо ҳадафи адади комил дар ин тадқиқот дохил нестанд.

Барои ҳар маҷмӯи додаҳо моделҳо ба қисмҳои таълим ва санҷиш тақсим шудаанд. Дар қисмати таълим модел таҳия шудааст ва дар қисмати санҷиш иҷрои беҳтарин шахс чен карда мешавад.

Ҳангоми арзёбӣ кардани иҷроиш MSE истифода шудааст. MSE миёнаи хатои квадрати миёни арзиши пешгӯишуда ва арзиши воқеӣ мебошад. Дар ин ҷо MSE поёнӣ маънои иҷроиши беҳтар дорад.

Графикҳо чӣ нишон медиҳанд?

Шакли 2, натиҷаҳоро барои се равиши гуногун нишон медиҳад:

• Mutation-only, яъне танҳо мутасияро истифода бурда истодааст CGP
• Discrete recombination kullanan CGP
• Subgraph crossover kullanan CGP

Дар графикҳо барои ҳар усул бо ду танзими асосии интихобшуда дастӣ бо танзимоти гирифташуда аз оптимизатсияи гиперпараметрҳо муқоиса шудааст.

Танҳо дар CGP, ки тағйирот истифода шудааст, таъсири оптимизатсияи гиперпараметрҳо маҳдуд менамояд. Яъне танзимоти оптимизатсияшуда нисбат ба танзимоти дастӣ беҳбудии зиёд намеорад.

Дар муқоиса, дар усулҳое, ки таҷзияи генетикӣ истифода мешавад, таъсири оптимизатсияи гиперпараметрҳо бештар аст. Хусусан дар баъзе маҷмӯаҳои додаҳо, танзимоти оптимизатсияшуда натиҷаҳои MSE камтарро нисбат ба танзимоти дастӣ ба даст оварданд.

Дар графикҳо дида мешавад, ки бархе аз маҷмӯаҳои додаҳо субграф кроссовер натиҷаҳои тағйирёфта медиҳанд. Патакҳои хатои хеле васеъ нишон медиҳанд, ки ин усул дар баъзе иҷроҳо хуб ва дар баъзе дигар натиҷаҳои хеле бад медиҳад.

Паёми асосии ин графикҳо ин аст:

Агар ҳангоми арзёбии усулҳои асосёфтаи CGP барпо кардани барномаҳои оптимизатсияи гиперпараметрҳо анҷом дода нашавад, потенсиали воқеии усул шояд дуруст нишон дода нашавад.

Чӣ мефаҳмонад ҷадвали 3?

Ҷадвали 3 натиҷаҳои миёнаи MSE моделҳои CGP-и оптимизатсияшударо дар панҷ маҷмӯи маълумот муқоиса мекунад. Дар ин ҷо се равиш вуҷуд дорад:

• Discrete recombination
• Subgraph crossover
• Mutation-only

Бар асоси натиҷаҳо recombination-и discrete дар чортои панҷ маҷмӯи додаҳо самаранокии миёнаи поёнтар ё баробар бо беҳтарин тавсеа ёфтааст.

Баъзе мисолҳои ҷолиб:

192_vineyard:
Discrete recombination medyan MSE: 6.20
Subgraph crossover medyan MSE: 10.55
Mutation-only medyan MSE: 8.31

210_cloud:
Discrete recombination medyan MSE: 0.18
Subgraph crossover medyan MSE: 20.34
Mutation-only medyan MSE: 0.18

579_fri_c0_250:
Discrete recombination medyan MSE: 0.54
Subgraph crossover medyan MSE: 2.62
Mutation-only medyan MSE: 0.68

678_visualizing_environmental:
Subgraph crossover medyan MSE: 7.26
Discrete recombination medyan MSE: 7.69
Mutation-only medyan MSE: 8.45

Ин ҷадвал нишон медиҳад, ки усули recombination-и discrete дар мушкилоти регрессияи символикии омӯхташуда устувор ва пурқувваттар менамояд. Аммо натиҷаҳо набояд ҳамчун дақиқияти умумӣ барои ҳамаи мушкилоти регрессияи символикӣ тафсир шаванд.

Таҳқиқот чӣ мегӯяд?

Натиҷаи асосии тадқиқот чунин аст:

Оптимизатсияи гиперпараметрҳо, бахусус дар усулҳои CGP асосёфтаи рекомбинасия, метавонад иҷроишро беҳтар кунад.

Ин натиҷа муҳим аст, зеро дар гузашта баъзе усулҳои таҷзия ва муттаҳидсозӣ метавонанд ҳамчун «барои CGP кофӣ хуб нестанд» арзёбӣ шаванд. Бо вуҷуди ин, ин арзёбиҳо аксаран бо танзимоти аз ҷониби даст интихобшуда сурат гирифтааст. Агар танзимот барои усул мувофиқ набошад, усул метавонад заифтар аз он чи ҳаст ба назар расад.

Тадқиқотчон инчунин ду усули такрорсозиро муқоиса мекунанд. Дар маҷмӯаҳои додаҳои таҳлилшуда такрорсозии фенотипии дискретӣ одатан нисбат ба субграф кроссовер нишондиҳандаи миёнакҳои беҳтар нишон дод. Subgraph crossover дар баъзе маҷмӯаҳои додаҳо натиҷаҳои мувофиқтар надодааст.

Дар баъзе ҳолатҳо, Mutation-only ва CGP тавонистанд натиҷаҳои монандро бо усулҳои рекомбинация ба даст оранд. Ин нишон медиҳад, ки мутация дар CGP ҳанӯз як оператори асосии қавӣ мебошад.

Ин чаро муҳим аст?

Ин кор танҳо таҷрибаи техникии CGP нест. Он инчунин як дарси васеи зеҳни сунъиро ба хотир меорад:

Барои арзёбии одилонаи як усул лозим аст, ки танзимоти он низ одилона оптимизатсия карда шаванд.

Дар соҳаи омӯзиши мошин ва зеҳни сунъӣ баъзан усулҳои нав бо усулҳои қадим муқоиса мешаванд. Аммо агар усули қадим хуб танзим шуда бошад ва усули нав бад танзим шуда бошад, натиҷа метавонад гуфтугӯ бошад. Ё баръакс низ метавонад.

Аз ин рӯ оптимизатсияи гиперпараметрҳо нақши муҳим дар муқоисаҳои илмӣ мебозад. Ба махсусан дар усулҳои истифодаи ҷустуҷӯи тасодуфӣ монанди барномаи генетикӣ ин боз ҳам муҳимтар аст. Зеро танзимҳо, мисли андозаи аҳолӣ, сатҳи мутақобила ва сатҳи ивазкунӣ, метавонанд ба натиҷа бевосита таъсир расонанд.

Таҳқиқот инчунин аҳамияти регрессияи рамзиро нишон медиҳад. Регрессияи рамзӣ на танҳо моделҳои қуттии сиёҳеро, ки фақат пешгӯӣ мекунанд, истифода мебарад, балки кӯшиш мекунад ифодаҳои математикӣ мувофиқи додаҳоро пайдо кунад. Ин низ як майдони арзишманд барои таҳлили зеҳни сунъӣ фаҳмо ва кашфи модели илмӣ мебошад.

Нуқтаҳое, ки бояд диққат дода шаванд

Натиҷаҳои ин таҳқиқ бояд бо диққат хонда шаванд.

Аввалан, таҷрибаҳо танҳо дар панҷ маҷмӯаи хурди маълумоти регрессияи рамзӣ анҷом дода шудаанд. Дар маҷмӯаҳои маълумоти калонтар, мураккабтар ё бо хусусиятҳои гуногун натиҷаҳо метавонанд фарқ кунанд.

Дуюм, ҳамчун меъёри коркарди MSE истифода шудааст. Вақте ки MSE паст аст, пешгӯии модели метавонад беҳтар бошад; аммо соддагии ифодаи симболӣ, фаҳмонияш ё маънои физикии он низ бояд арзёбӣ карда шавад.

Сеюм, оптимизатсияи гиперпараметрҳо низ ба танҳоӣ гарон хоҳад буд. Барои пайдо кардани танзимотҳои беҳтар лозим аст, ки бисёр санҷишҳо анҷом дода шаванд. Аз ин рӯ, фоидаи иҷроиш бояд бо хароҷоти оптимизатсия якҷоя баррасӣ шавад.

Чаҳорум, иҷроиши тағйирёбандаи кроссовери subgraph маънои онро надорад, ки он пурра ноком шудааст. Маълумотҳои гуногун, соҳаҳои гуногуни танзимот ё нишондиҳандаҳои гуногуни CGP метавонанд ба натиҷаҳо таъсир расонанд.

Дар ниҳоят, ин тадқиқот дар асоси як меъёр ва татбиқи TinyverseGP пеш меравад. Дар доираи дигар барномаҳо ё вазифаҳои гуногуни регрессияи рамзӣ санҷишҳои иловагӣ лозиманд.

Натиҷа

Ин тадқиқот нишон медиҳад, ки муқоисаи усулҳо дар барномаҳои генетикӣ наметавонад танҳо бо номи алгоритм анҷом дода шавад. Ҳатто як алгоритм бо танзимоти гуногуни гиперпараметрҳо метавонад натиҷаҳои хеле мухталиф диҳад.

Cartesian Genetic Programming муддати дароз асосан бо мутация истифода мешуд. Роҳҳои таҷзияву омезиш дар гузашта бо назари он ки манфиаташон маҳдуд аст, бодиққаттар арзёбӣ шудаанд. Ин таҳқиқот нишон медиҳад, ки махсусан вақте ки оптимизатсияи гиперпараметрҳо анҷом дода мешавад, CGP бар асоси таҷзияву омезиш метавонад дар баъзе мушкилоти регрессияи символӣ натиҷаҳои беҳтар диҳад.

Маҳсулоти муҳимтарин ин аст:

Зеҳни сунъӣ на танҳо ба алгоритмҳои хуб, балки ба таҷрибаҳое, ки хуб танзим шудаанд, низ ниёз дорад.

Аз ин рӯ, дар оянда дар тадқиқотҳои барномасозии генетикӣ ва регрессияи рамзӣ, интизор меравад, ки оптимизатсияи гиперпараметрҳо ҳангоми муқоисаи операторҳо ё усулҳои нав ба як қадами арзёбии стандартӣ табдил ёбад.

Ёддошт оид ба Манбаъ ва Усул

Ин мавод бо истифода аз таҳқиқоти академии «Improving Evaluation of Recombination-based Cartesian Genetic Programming», ки аз ҷониби Duy Long Tran, Anja Jankovic, Marie Anastacio, Holger Hoos ва Roman Kalkreuth омода шудааст, дар формати таҳририи Verianla ба таври оригиналӣ омода карда шудааст.

Дар PDF маълумоти ACM GECCO Companion ’26 конфронс ва нусхаи arXiv ҷойгир шудааст. Мундариҷа барои иттилоот ва таълим мебошад. Ин ҷойгузини машварати касбӣ оид ба зеҳни сунъӣ, таҳияи нармафзор, илмҳои дода ё интихоби модел нест.