genetic programming
PulseAugur coverage of genetic programming — every cluster mentioning genetic programming across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
小型语言模型用于边缘数据分类的评估
一篇新的arXiv论文探讨了在边缘计算环境中，使用小型、开源语言模型对智能数据模型（SDMs）进行分类的应用。该研究解决了现有方法资源密集且不适用于边缘设备的局限性。研究人员针对特定领域的数据集，对包括通用模型、推理专用模型和代码专用模型在内的各种语言模型架构进行了基准测试。他们还将这些模型与TF-IDF等更简单的基线模型进行了比较，以评估它们在资源受限平台上的实际价值。
-
下游学习器重塑了遗传编程的演进
研究人员探讨了下游学习器如何影响遗传编程中的演化过程。他们发现，学习器的选择显著影响了遗传编程必须演化的程序的复杂性。通过转向布尔域并通过傅里叶次数测量非线性，研究表明线性学习器精确匹配目标的次数，而树集成则以更简单的程序实现更高的成功率。这项工作表明，可以根据目标的结构来选择学习器，并且可以计算演化程序的次数作为诊断指标。然而，也发出了警告：学习器能力的提高可能导致程序依赖性增加和可读性降低。
-
全科医生亲戚因信任和效率担忧而避开 AI 病历
一位前英国籍、现居新西兰的全科医生亲戚，因担忧其可信度和效率而避免使用 AI 生成的病历。他发现，来自护士等其他工作人员的 AI 生成病历，会产生大量压倒性且不可靠的信息。该医生认为，AI 无法解读微妙的人类线索，会损害患者护理，而一些工作人员为了方便而使用 AI，则减慢了系统运行速度。
-
AI模型在医疗游戏中正确诊断患者，安全性参差不齐
一位澳大利亚的全科医生开发了一款医疗咨询游戏，其中13个AI模型扮演医生角色。在195次咨询中，所有模型都正确诊断了患者，但它们的安全性协议差异很大。该游戏旨在评估AI在模拟医疗场景中的表现和安全性。
-
新方法增强了AI驱动的项目调度启发式算法
研究人员开发了一种新的方法，利用代理辅助遗传编程（GP）来改进动态多模式项目调度的启发式规则。该研究侧重于表型特征（PC）以在有限的完全模拟预算内增强适应度估计。测试了三种编码方案——优先级值、排序和二进制——其中二进制编码结合欧氏距离显示出对代理辅助GP最有效和最稳健的指导。
-
大型语言模型在符号回归模型的事后审计方面显示出潜力
研究人员探索了使用大型语言模型（LLMs）来审计符号回归模型在生理学上的合理性，特别是在医学背景下。虽然LLMs在对演化出的数学表达式进行排名方面显示出潜力，但它们的解释有时在生理学和数学上存在疑问。临床医生发现LLMs的比较排名比孤立的术语解释更有用，这表明LLMs更适合专家监督的审计，而不是自主验证。
-
新AI助手简化能耗模型解释
研究人员开发了一个名为“可解释性助手”的开源对话式XAI系统，旨在帮助设施经理和楼宇运营商理解用于能耗预测的复杂机器学习模型。该系统利用大型语言模型的功能调用能力，实现了94%的意图解析准确率，显著优于以往的对话式XAI方法。与能源领域专家的比较评估表明，“可解释性助手”提供了更好的可用性，并且在实际应用中一致优于传统的XAI仪表板。
-
新的HDL修复系统使用字典引导变异和仿真发散
研究人员开发了一种新颖的系统，用于自动修复硬件描述语言（HDL）设计，解决了搜索空间大和语法约束严格的挑战。该系统采用字典引导变异算子，利用特定于被测设计（DUT）的ANTLR派生词汇表。它将此与仿真发散故障定位模块相结合，以识别变异并将其导向高嫌疑区域。这种方法在CirFix基准套件上显示出有效性，成功修复了多种错误变体，包括先前方法无法处理的复杂多重编辑实例，同时还实现了显著的加速。
-
新的神经符号回归框架结合了深度学习与稀疏建模
研究人员开发了一个新的神经符号回归（NSR）框架，该框架结合了神经网络和稀疏建模技术，以从数据中发现简洁的数学表达式。该方法首先使用神经网络在非线性特征空间中学习鲁棒的函数逼近，然后使用LASSO提取稀疏、可解释的方程。在Nguyen基准套件上的实验表明，NSR在均方根误差、噪声鲁棒性和泛化能力方面优于遗传编程和SINDy等传统方法。
-
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。