分類のための協調共進化と多視点学習を用いた多集団アンサンブル遺伝的プログラミング
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19339v1発表。本論文は、高次元かつ異種の特徴空間における分類課題に対処するため、協調的共進化と多視点学習パラダイムを統合した計算知能フレームワークであるMulti-population Ensemble Genetic Programming (MEGP) を提案する。MEGPは入力空間を条件付き独立な特徴部分集合に分解することで、複数のサブ集団が動的なアンサンブルに基づく適合度機構を通して相互作用しながら並列に進化することを可能にする。各個体は、その出力が微分可能なsoftmaxに基づく重み付け層によって集約される複数の遺伝子を符号化し、モデルの解釈可能性と適応的な意思決定融合の両方を向上させる。個々の適合度とアンサンブルレベルの適合度の両方を組み込んだハイブリッド選択機構は、集団間の協調を促進しながら集団内の多様性を維持する。この二重レベルの進化ダイナミクスは、構造化された探索を促進し、早期収束を抑制する。8つのベンチマークデータセットにおける実験評価は、MEGPがベースラインとなるGPモデルと比較して、収束挙動と汎化性能において一貫して優れていることを示している。包括的な統計分析により、Log-Loss、Precision、Recall、F1スコア、AUCにおいて有意な改善が検証された。MEGPはまた、進化を通して堅牢な多様性維持と加速された適合度向上を示し、スケーラブルなアンサンブル駆動型進化学習における有効性を強調している。集団ベースの最適化、多視点表現学習、協調的共進化を統合することにより、MEGPは構造的に適応性があり解釈可能なフレームワークを提供し、進化型機械学習における新たな方向性を推進する。
原文（英語）を表示
Title (EN): Multi-population Ensemble Genetic Programming via Cooperative Coevolution and Multi-view Learning for Classification
arXiv:2509.19339v1 Announce Type: cross
Abstract: This paper introduces Multi-population Ensemble Genetic Programming (MEGP), a computational intelligence framework that integrates cooperative coevolution and the multiview learning paradigm to address classification challenges in high-dimensional and heterogeneous feature spaces. MEGP decomposes the input space into conditionally independent feature subsets, enabling multiple subpopulations to evolve in parallel while interacting through a dynamic ensemble-based fitness mechanism. Each individual encodes multiple genes whose outputs are aggregated via a differentiable softmax-based weighting layer, enhancing both model interpretability and adaptive decision fusion. A hybrid selection mechanism incorporating both isolated and ensemble-level fitness promotes inter-population cooperation while preserving intra-population diversity. This dual-level evolutionary dynamic facilitates structured search exploration and reduces premature convergence. Experimental evaluations across eight benchmark datasets demonstrate that MEGP consistently outperforms a baseline GP model in terms of convergence behavior and generalization performance. Comprehensive statistical analyses validate significant improvements in Log-Loss, Precision, Recall, F1 score, and AUC. MEGP also exhibits robust diversity retention and accelerated fitness gains throughout evolution, highlighting its effectiveness for scalable, ensemble-driven evolutionary learning. By unifying population-based optimization, multi-view representation learning, and cooperative coevolution, MEGP contributes a structurally adaptive and interpretable framework that advances emerging directions in evolutionary machine learning.
Published: 2025-09-24 19:00 UTC