【报告内容】

汇报人：李蒙恩

汇报单位：太原理工大学

主题：《A Global and Local Surrogate-Assisted Genetic Programming Approach to Image Classification》

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

（1）传统GP图像分类的适应度评估成本极高，GP个体特征表示不足，单智能体模型无法平衡“探索-利用”。

2.相关创新方案

（1）提出了一种新的基于全局代理和局部代理的图像分类方法，该方法可以显著降低基于全局代理和局部代理的图像分类方法的计算代价，同时获得具有竞争力的分类性能。

（2）为了建立基于GP的图像分类的代理模型，我们构造了一个新的代理训练集来存储从GP个体中提取的特征及其适应值。

（3）提出的全局和局部代理辅助方法仅使用一个代理，即只使用全局代理或局部代理，优于典型的代理辅助GP方法。

3.实验总结

本文的目标是显著减少基于GP的图像分类方法中昂贵的适应度评估的数量。这一目标已经通过提出一种新的全局和局部代理协商的图像分类方法而成功地实现。结合全局模型和局部模型，GLS-FGP方法能够在进化学习过程中高效、有效地找到最优GP个体。此外，我们还提出了一种在GP中建立代理模型的新方法，该方法通过构造一个新的代理训练集来提取三种特征来有效地描述GP个体，并利用这些特征来预测它们的适应度。

4.未来工作

可以通过提出一种替代辅助的 GP 方法，提高基于 GP 的图像分类方法的效率。非常大规模的图像数据集，例如 ImageNet，需要昂贵的计算资源，例如 GPU，以加速这些方法的学习过程。然而，目前基于 GP 的方法无法在 GPU 上运行。未来，我们希望研究基于 GP 的图像分类方法在 GPU 上的实现，使其能够相应地处理如此大规模的图像数据集。

报告时间：2026年03月20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)