genetic programming
PulseAugur coverage of genetic programming — every cluster mentioning genetic programming across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
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。
-
人工智能重新校准前列腺癌生存预测的合并症指数
研究人员开发了一个新的计算框架，为符合根治性前列腺切除术资格的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基于人群的仿生算法来重新校准合并症权重并优化预测十年生存率的模型。新的指数，特别是当纳入前列腺癌特异性变量时，与Charlson合并症指数等现有指数相比，表现有所提高，为患者选择提供了更精细的工具，并可能避免过度治疗。
-
新的GESR方法使用基因编辑实现更快的符号回归
研究人员开发了一种新的符号回归方法，称为GESR，该方法利用受遗传编程启发的基因编辑。这种方法采用两个BERT模型来智能地指导突变和交叉，旨在提高进化效率，优于传统的随机方法。实验表明，GESR在各种符号回归任务上显著提高了计算速度和性能。
-
研究人员改进激活函数以处理神经网络中的缺失数据
研究人员开发了一种名为三通道自适应激活函数（3C-EA）的新方法，以应对机器学习中处理缺失数据所面临的挑战。与传统的激活函数不同，3C-EA将缺失指示和插补置信度分数直接纳入激活过程。该方法结合通道传播（ChannelProp）算法将这些信号在网络中传播，旨在通过保留可靠性信息来提高分类性能。
-
EvoTSC 进化轻量级时间序列分类模型
研究人员开发了 EvoTSC，这是一种新的遗传编程方法，可自动创建高效的时间序列分类模型。该方法将专家知识融入进化过程，以指导搜索有效的时间序列分析操作。EvoTSC 还采用专门的选择策略来对抗过拟合并促进模型泛化，在实验中表现优于其他十一种基准方法。