genetic programming
PulseAugur coverage of genetic programming — every cluster mentioning genetic programming across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
新的机器学习方法融合物理学和数据以改进敏感性分析
研究人员开发了新的物理信息机器学习策略，通过有效地结合基于物理的模型和实验数据来改进全局敏感性分析（GSA）。该研究探讨了两种机器学习技术：深度神经网络（DNN）和高斯过程（GP）建模，以及两种整合物理知识的方法：在损失函数中强制执行物理约束，以及使用模拟数据进行预训练，然后使用实验数据进行更新。结果表明，与GP模型相比，基于DNN的模型在敏感性估计上提供了更小的界限，并在增材制造和湖泊温度建模中展示了应用。
-
Agentic AI 自动化遗传编程配置
研究人员开发了一个 Agentic AI 框架，用于自动化遗传编程中父代选择算法的配置。该框架利用大型语言模型推理和检索增强生成来识别和实现这些算法。在符号回归测试中，采用 5 个 mini--AR 的 Agentic 设置表现出竞争力，生成了已有的 epsilon-lexicase 实现，并在多个问题上优于锦标赛选择。
-
新方法加速 Vision Transformer 在边缘设备的适配
研究人员开发了更有效地将 Vision Transformer (ViT) 适配到特定任务的新方法。一种方法使用遗传编程来演化层特定的标量函数，以近似归一化层，在 ImageNet-1K 上实现高精度，同时降低边缘设备的计算复杂度和内存流量。另一种方法，Circuit Fine-Tuning (CFT)，使用电路发现来识别和微调 ViT 的关键模块，与标准参数高效微调技术相比，在各种基准测试中显著减少了训练时间和 FLOPs。
-
新论文统一进化计算用于自主交易信号发现
一篇新论文提出了一个统一的进化计算（EC）视角，用于自动化公式化阿尔法发现，这是一个从符号因子空间生成交易信号的过程。该研究引入了一个六个组成部分的框架来分析现有方法，以及一个八维评估框架来指导开发更可靠和自适应的阿尔法发现系统。这种方法旨在解决诸如嘈杂的适应度估计、市场非平稳性和昂贵的历史回测等挑战。
-
新的自适应Nyström方法增强了高斯过程回归的可扩展性
研究人员开发了一种自适应Nyström方法来提高高斯过程回归（GPR）的可扩展性。这种新方法贪婪地选择标志点以最小化近似误差，在准确性和稳定性方面优于随机选择。该方法在性能上可与精确GPR相媲美，同时样本量呈线性扩展，使其适用于大规模计算机实验。
-
遗传编程指导大型语言模型进行项目调度
研究人员开发了一种新颖的方法来增强大型语言模型（LLM）在动态多模式项目调度中的决策能力。该方法涉及从遗传编程（GP）演化的规则中提取启发式知识，然后将该知识注入LLM。研究探讨了各种知识迁移机制，包括特征选择、特征提示、规则引用和规则遵循，以指导LLM的决策。结果表明，GP衍生的指导通常能提高LLM的性能，其中特征选择等特定方法在更高的代币成本下提供了更好的代币效率，而规则遵循则实现了更强的性能。这种指导还增强了决策的稳定性，并影响…
-
LLM 在生成遗传编程算子方面展现出潜力
研究人员评估了八种大型语言模型 (LLM) 在符号回归任务中为遗传编程 (GP) 生成有效父代选择算子的能力。研究发现，Claude Sonnet 4.6 和 Gemini 3.1 Pro 等模型表现一致良好，其中 Kimi K2.5 综合的一个算子优于标准的自动选择方法。这些发现表明，LLM 可用于以零样本方式创建具有竞争力的 GP 选择算子，通常通过利用语义理解来指导搜索过程。
-
2026年报告显示中国VC格局转向人工智能和硬科技
一份关于2026年中国风险投资格局的新报告强调，投资重点已显著转向人工智能和硬科技领域。报告指出，全球私募股权融资有所下降，而中国市场正从美元基金转向国家支持和产业资本。对具身智能等领域的投资激增，表明各行业正朝着更深层次的技术融合迈进。随着新机构的涌现和现有机构适应人工智能驱动的范式，市场格局正在不断演变。
-
研究发现贝叶斯优化需要最优初始点
一篇新的arXiv论文探讨了贝叶斯优化（BO）所需的最佳初始点数量。研究表明，寻找全局最优值的总成本与初始批次大小（$n_0$）之间存在U形关系，这意味着过少或过多的初始点都会导致资源浪费。这种现象归因于BO在向内聚焦之前倾向于探索超立方体的边界。该研究提出了实际建议，包括在可用时使用多步前瞻BO，在无法调整$n_0$时使用Thompson采样，以及在可以调整时使用更大的$n_0$。
-
Heckman校正改进了机器学习模型的不确定性校准
研究人员开发了一种新方法来解决机器学习模型中的认知不确定性问题，特别是在训练数据存在选择偏差时。该技术借鉴了源自计量经济学的Heckman校正方法，联合建模选择过程和结果，校正影响两者的未观测变量。实验表明，当选择偏差较高时，重要性加权等标准方法无法保持准确的置信区间，而Heckman校正方法显著提高了校准精度。
-
澳大利亚政府警告GP咨询中使用AI抄写员的隐私风险
澳大利亚政府已就医疗咨询中使用AI抄写员发出警告，强调了对隐私、同意和数据安全的担忧。这些AI工具能够收听和转录医患对话，目前正由全科医生在最少的监督下部署。政府尤其担心私人数据被发送到海外以及可能被滥用医疗保险费用激励措施。
-
量子核带土优化平衡表达能力与可学性
研究人员开发了使用量子核的高斯过程带土优化新方法，特别解决了嘈杂中等规模量子（NISQ）时代面临的挑战。该研究侧重于平衡量子核的表达能力与其可学性，而可学性可能因高维和复杂性而受阻。为解决此问题，该团队提出了投影量子核和经典核近似技术，这些技术在降低维度的同时保留了关键的量子特性。这些方法旨在提高样本效率并减少量子原生应用的计算开销。
-
医疗AI训练数据易泄露敏感信息
《自然》杂志最近发表的一项研究强调了医疗AI系统存在重大的隐私漏洞。研究人员发现，可以从这些AI模型使用的训练数据集中提取敏感信息，包括患者的医疗记录和遗传数据。鉴于医疗领域日益依赖AI进行诊断和治疗规划等任务，这对患者隐私构成了相当大的风险。
-
新的机器学习评估指标优先考虑计算成本而非准确率
一篇新研究论文提出了一种机器学习模型评估的范式转变，超越了最大准确率，转而考虑计算成本。该指标基于达到目标准确率所需的梯度下降步数，被视为一种新颖的自动化机器学习（AutoML）形式。在11个模型和五个数据集上的实验表明，大的学习率可以优化此成本指标，从而促进泛化并减少训练时间。该研究还确定了实现较低准确率目标与性能极限的不同策略，建议前者采用单次运行，后者采用多次短时重启。
-
新研究探索用于符号回归的遗传编程 · 已追踪 2 个来源
两篇最新的 arXiv 论文探讨了用于符号回归 (SR) 的遗传编程 (GP)。一项研究“Evaluation of Population Initialization Methods for Genetic Programming-based Symbolic Regression”发现，包括使用优化解决方案作为种子的方法在内的不同随机初始化方法，在 GP-based SR 的准确性或模型复杂度方面没有显著差异。另一篇论文“Evol…
-
Cartesian Genetic Programming 运行时分析布尔函数
一篇新论文分析了笛卡尔遗传编程（CGP）在演化布尔函数时的运行时。研究人员为 CGP 使用 D 个二元门构建 n 个输入的合取式建立了一个渐近界限 O(n D^5)，在采用非严格选择时改进到 O(n D^4)。该研究还证明了 CGP 需要指数时间来演化异或，这一发现得到了实验结果的支持。
-
新方法在数据有限的情况下确认机器学习中的标签偏移校正
研究人员开发了一种新颖的方法来确认机器学习模型中的标签偏移校正，该方法在标记数据有限的情况下特别有用。该方法利用从领域知识推导出的预指定校正，并基于似然比的累积乘积进行序贯检验。该技术将标准的模型监控转化为正式的统计检验，从而能够随时随地确认传入数据是否支持所提出的校正。
-
极简遗传编程提供程序归纳新方法
研究人员推出极简遗传编程（MGP），这是一种受语言学极简主义启发的、用于程序归纳的新方法。与依赖进化搜索的传统遗传编程不同，MGP利用基于MERGE算子的句法推导过程。该方法在发现核心符号表达式组件并逐步构建它们方面取得了成功，在易发生膨胀的挑战性符号回归任务上表现优于标准GP。
-
U-Net 加速气候适应性城市布局优化
研究人员开发了一种基于 U-Net 的深度学习模型，以加速气候适应性城市布局的优化。该方法用空间代理模型取代了缓慢的物理模拟，显著提高了效率。U-Net 模型表现出强大的性能，在适应性排名中实现了高精度，并在不到十分钟的时间内生成了数千种经过气候评估的多样化建筑布局。
-
AI新指数提升前列腺癌死亡率预测精度
研究人员开发了一个新的计算框架，为前列腺癌患者创建了一个更准确的合并症指数。这种数据驱动的方法使用受生物启发的算法来重新校准现有的合并症权重，旨在更好地预测十年死亡风险。更新后的指数，特别是当纳入前列腺癌特异性变量时，在识别适合根治性治疗的患者方面，其性能优于传统方法。