Dlaczego badania algorytmów genetycznych uległy spowolnieniu?

Omawiając dziś niektóre tematy wprowadzające, w tym wykorzystanie algorytmów genetycznych; Powiedziano mi, że badania naprawdę spowolniły w tej dziedzinie. Podany powód był taki, że większość ludzi koncentruje się na uczeniu maszynowym i eksploracji danych.
Aktualizacja: czy to jest dokładne? A jeśli tak, jakie zalety ma ML / DM w porównaniu z GA?

Cóż, uczenie maszynowe w znaczeniu statystycznego rozpoznawania wzorców i eksploracji danych to zdecydowanie gorętsze obszary, ale nie powiedziałbym, że badania algorytmów ewolucyjnych uległy szczególnie spowolnieniu. Te dwa obszary zasadniczo nie są stosowane do tego samego rodzaju problemów. Nie jest od razu jasne, w jaki sposób podejście oparte na danych pomaga, na przykład, dowiedzieć się, jak najlepiej zaplanować zmiany pracowników lub efektywniej trasować paczki.

Metody ewolucyjne są najczęściej stosowane w przypadku trudnych problemów optymalizacji, a nie w rozpoznawaniu wzorców. Najbardziej bezpośrednimi konkurentami są podejścia do badań operacyjnych, w zasadzie programowanie matematyczne i inne formy wyszukiwania heurystycznego, takie jak wyszukiwanie tabu, symulowane wyżarzanie i dziesiątki innych algorytmów zwanych wspólnie „metaheurystykami”. Istnieją dwie bardzo duże doroczne konferencje na temat obliczeń ewolucyjnych (GECCO i CEC), mnóstwo mniejszych konferencji, takich jak PPSN, EMO, FOGA i Evostar, oraz co najmniej dwa duże czasopisma wysokiej jakości (Transakcje IEEE na temat obliczeń ewolucyjnych i prasa MIT czasopismo Evolution Computation), a także kilka mniejszych, w których część EC koncentruje się na szerszym zakresie.

To powiedziawszy, istnieje kilka zalet, które ogólnie uważa się za „uczenie maszynowe” w każdym porównaniu „gorąca”. Po pierwsze, opiera się na znacznie twardszych podstawach teoretycznych, które matematycy zawsze lubią. Po drugie, jesteśmy w złotej erze dla danych, a wiele nowatorskich metod uczenia maszynowego naprawdę zaczyna świecić dopiero, gdy otrzyma mnóstwo danych i ton mocy obliczeniowej, i w obu aspektach czas jest w pewnym sensie "dobrze".

Kilkadziesiąt lat temu ludzie myśleli, że algorytmy genetyczne i ewolucyjne były szwajcarskimi nożami wojskowymi, napędzanymi spektakularnymi wczesnymi wynikami. Stwierdzenia takie jak hipoteza blokowa zostały sformułowane w celu udowodnienia, że ​​były to ogólnie dobre strategie.

Jednak rygorystyczne wyniki były powolne i często wytrzeźwiały, przede wszystkim twierdzenie o braku darmowego lunchu . Stało się oczywiste, że algorytmy genetyczne / ewolucyjne są często przyzwoitą heurystyką, ale w żadnym sensie nigdy nie są optymalne.

Dziś wiemy, że im więcej wiemy o problemie odpowiednio o jego strukturze, tym mniej sensowne jest stosowanie algorytmów genetycznych / ewolucyjnych, ponieważ inne metody wykorzystujące tę wiedzę przewyższają je o wielkość. Jednak w przypadkach, gdy niewiele wiadomo na temat danego problemu, nadal pozostają one realną alternatywą, ponieważ w ogóle działają.

Krytycznej części historii, tak jak ją widzę, brakuje w innych dotychczasowych odpowiedziach:

Algorytmy genetyczne są najbardziej przydatne w przypadku problemów z wyszukiwaniem siłowym.

W wielu kontekstach prostsze strategie optymalizacji lub modele wnioskowania (co ogólnie można by nazwać uczeniem maszynowym) mogą działać bardzo dobrze i wykonywać o wiele bardziej efektywnie niż wyszukiwanie siłowe.

Algorytmy genetyczne, takie jak symulowane wyżarzanie, są najskuteczniejsze jako strategia radzenia sobie z tak trudnymi (np. Kompletnymi NP) problemami wyszukiwania. Domeny te są zwykle tak ograniczone przez wewnętrzną twardość problemów, że poprawianie i iterowanie skromnych czynników w strategii rozwiązania, poprzez stopniowe ulepszanie algorytmów genetycznych, często nie jest zbytnio użyteczne, a więc nie jest strasznie ekscytujące.

Do pewnego stopnia uczenie maszynowe staje się coraz bardziej matematyczne, a algorytmy można „udowodnić”, że działają. W pewnym sensie GA są bardzo „wth tam” i nie możesz doskonale odpowiedzieć na pytanie „więc co zrobił twój program?” (zresztą w oczach niektórych ludzi).

Osobiście opowiadam się za łączeniem sieci neuronowych i GA = GANN. W mojej pracy dyplomowej stworzyłem algorytm przewidywania narkotyków, najpierw używając NN, potem GA, a na koniec GANN, który wykorzystał to, co najlepsze z obu światów i przewyższył oba pozostałe zestawy. Jednak YMMV.

Uczenie maszynowe przedstawia dużą część aparatury matematycznej, którą należy opracować i zastosować. Algorytmy genetyczne wykonywane głównie przez heurystykę.