Perché la ricerca sugli algoritmi genetici ha rallentato?

Durante la discussione di alcuni argomenti di livello introduttivo oggi, incluso l'uso di algoritmi genetici; Mi è stato detto che la ricerca ha davvero rallentato in questo campo. Il motivo è che la maggior parte delle persone si sta concentrando sull'apprendimento automatico e sul data mining.
Aggiornamento: è accurato? E se sì, quali vantaggi ha ML / DM rispetto a GA?

Bene, l'apprendimento automatico nel senso del riconoscimento di modelli statistici e il data mining sono sicuramente aree più calde, ma non direi che la ricerca sugli algoritmi evolutivi sia particolarmente rallentata. Le due aree non sono generalmente applicate agli stessi tipi di problemi. Non è immediatamente chiaro come un approccio basato sui dati ti aiuti, ad esempio, a capire come pianificare al meglio i turni di lavoro o instradare i pacchetti in modo più efficiente.

I metodi evolutivi sono spesso usati per problemi di ottimizzazione piuttosto che per il riconoscimento di schemi. I concorrenti più diretti sono gli approcci di ricerca operativa, sostanzialmente la programmazione matematica e altre forme di ricerca euristica come la ricerca tabu, la ricottura simulata e dozzine di altri algoritmi noti collettivamente come "metheuristica". Ci sono due grandi conferenze annuali sul calcolo evolutivo (GECCO e CEC), una serie di conferenze più piccole come PPSN, EMO, FOGA ed Evostar, e almeno due importanti riviste di alta qualità (Transazioni IEEE sul calcolo evolutivo e MIT Press rivista Evolution Computation) e un numero di quelli più piccoli che includono la parte CE del loro focus più ampio.

Detto questo, ci sono molti vantaggi che il campo in genere pensa come "apprendimento automatico" rispetto a "piccantezza". Uno, tende ad essere su un terreno teorico molto più solido, che piace sempre ai matematici. Due, siamo in un'epoca d'oro per i dati e molti dei metodi di apprendimento automatico all'avanguardia iniziano davvero a brillare solo quando vengono dati tonnellate di dati e tonnellate di potenza di calcolo, e per entrambi gli aspetti, il tempo è in un certo senso "destra".

Alcuni decenni fa, la gente pensava che gli algoritmi genetici ed evolutivi fossero coltelli dell'esercito svizzero, alimentati da spettacolari risultati iniziali. Dichiarazioni come l' ipotesi dei mattoni sono state fatte nel tentativo di dimostrare che erano in generale buone strategie.

Tuttavia, i risultati rigorosi sono stati lenti e spesso rassicuranti, soprattutto il teorema del pranzo libero . È diventato evidente che gli algoritmi genetici / evolutivi sono spesso euristici decenti ma mai ottimali in alcun senso.

Oggi sappiamo che più conosciamo un problema, rispettivamente la sua struttura, meno senso ha impiegare algoritmi genetici / evolutivi in ​​quanto altri metodi che usano questa conoscenza li superano per grandezza. Nei casi in cui si sa poco del problema in questione, tuttavia, rimangono comunque un'alternativa praticabile perché funzionano affatto.

Una parte critica della storia, a mio avviso, manca finora dalle altre risposte:

Gli algoritmi genetici sono principalmente utili per i problemi di ricerca della forza bruta.

In molti contesti, strategie di ottimizzazione o modelli di inferenza più semplici (ciò che chiameresti in generale apprendimento automatico) possono funzionare molto bene e fare molto più efficacemente della ricerca della forza bruta.

Gli algoritmi genetici, come la ricottura simulata, sono i più efficaci come strategia per gestire il bene-come-sappiamo-know-how con problemi di ricerca difficili (ad es. NP completi). Questi domini tendono ad essere così limitati dalla durezza intrinseca dei problemi che modificare e iterare su fattori modesti nella strategia di soluzione, migliorando progressivamente gli algoritmi genetici, spesso non è molto utile e quindi non tremendamente eccitante.

In una certa misura, l'apprendimento automatico sta diventando più matematico e con algoritmi che possono essere "dimostrati" per funzionare. In un certo senso, i GA sono molto "cosa è successo lì dentro" e non puoi rispondere perfettamente alla domanda "quindi cosa ha fatto il tuo programma?" (bene agli occhi di alcune persone, comunque).

Sostengo personalmente la combinazione di reti neurali e GA = GANN. Nella mia tesi d'onore, ho prodotto un algoritmo di previsione della droga usando prima NN, poi un GA e infine un GANN che ha preso il meglio da entrambi i mondi e ha sovraperformato entrambi gli altri set. YMMV, tuttavia.

L'apprendimento automatico svela gran parte dell'apparato matematico da sviluppare e applicare. Algoritmi di genetica principalmente eseguiti dall'euristica.