【报告内容】

汇报人： 杨建非

汇报单位：福建理工大学

主题：A General Feature-Informed Crossover for Two-Stage Feature Selection in Symbolic Regression

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

在 GP（遗传编程）做符号回归的两阶段特征选择框架里，第二阶段常用的随机重初始化种群会破坏第一阶段进化出来的有效结构（building blocks），导致阶段切换时性能断崖、需要多代恢复，从而削弱特征选择带来的收益，甚至影响最终泛化性能。

2.相关创新方案

为了提高效率，我们提出了一种特征知晓的交叉算子，它鼓励使用所选择的特征，而不需要在特征选择后重新初始化种群

为了确保交叉算子考虑所选特征的重要性，我们提出了一种子树重要性度量方法，允许交叉算子对包含所选特征的子树进行优先排序。

为了检验该交叉算子的通用性，我们对其在三种两阶段特征选择机制上的性能进行了评估。结果表明，该方法具有广泛的适用性。

3.实验总结

实验结果表明，与随机初始化方法相比，该方法显著改善了两阶段特征选择过程，获得了更高的训练R2分数和测试R2分数。此外，从使用特征数目的结果可以看出，所提出的方法在最终模型中利用的特征数目的总体分布方面取得了相当的性能。这些结果突出了特征信息交叉算子的有效性。

4.未来工作

在以后的工作中，由于该算子在特征选择后保留了积木块，因此可以直接扩展到一个多阶段的特征选择框架，而不需要重新初始化。具体地说，在早期阶段消除的特征可以在以后的阶段重新引入，而最初保留的特征可以在随后的阶段消除。这种迭代方法可能会进一步提高性能。

报告时间：2026年01月30日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)