Vier CWI-onderzoekers van de Life Sciences and Health groep (LSH), Alexander Chebykin, Dazhuang Liu, Marco Virgolin en Peter A.N. Bosman (CWI/TU Delft) ontvingen samen met Tanja Alderliesten (LUMC) de Best Paper Award in twee tracks van GECCO 2022. De prijzen zijn gewonnen in de track: neuroevolution voor de paper Evolutionary Neural Cascade Search across Supernetworks" en de track Genetic programming voor de paper Evolvability Degeneration in Multi-Objective Genetic Programming for Symbolic Regression".
Abstracts
Evolutionary Neural Cascade Search across Supernetworks (Alexander Chebykin, Tanja Alderliesten, Peter A. N. Bosman)
Neurale netwerken hebben bewezen nuttig te zijn in verschillende domeinen. Het is echter wenselijk om ze nog effectiever en efficiënter te maken. Een manier om dit te doen is door meerdere cascades van verschillende modellen te maken. De onderzoekers bedachten een nieuw evolutionair algoritme voor het creëren van zulke cascades. Dit algoritme is efficiënt en kan met honderd verschillende modellen werken vanuit elke bron: bv. Voor-getraind of automatisch gemaakt voor de beoogde taak door een Neural Architecture Search algoritme. Het resultaat van de wisselwerking tussen de modellen is de verbetering van zowel de individuele modellen als de cascades.
Evolvability degeneration in multi-objective genetic programming for symbolic regression (Dazhuang Liu, Marco Virgolin, Tanja Alderliesten, Peter A.N. Bosman)
Naast een hoge nauwkeurigheid van voorspellingen kan interpreteerbaarheid een essentieel aspect zijn voor het gebruik van machine-learning in situaties waar er veel op het spel staat (bv. bij het voorspellen van kanker behandelmethodes). Genetische programmering is een van de beste methodes om nauwkeurige en interpreteerbare ML modellen te ontdekken in de vorm van kleine, symbolische uitdrukkingen. Empirisch, leiden kleinere modellen vaker naar minder nauwkeurige modellen dan grotere. In andere woorden: er bestaat een verband tussen nauwkeurigheid en interpreteerbaarheid. Een gevolg hiervan is dat onderzoekers GP gebruiken voor meerdere doelstellingen tegelijkertijd om meerdere modellen met verschillende wisselwerkingen te ontdekken. Echter, als dit op een naïeve manier wordt gedaan, kan MO-GP “vastlopen” met kleine modellen en daardoor falen in het leveren van de de nauwkeurigste modellen t. Onze onderzoekers hebben de kern van dit probleem gevonden, dat zij “evolvability degeneration” hebben genoemd. Vervolgens hebben zij een eenvoudige maar goede remedie gevonden. Het resultaat is een nieuw algoritme, evoNSGA-II, dat isontwikkeld om voorgaande MO-GP algoritmes te overtreffen.
