[Paper] ROIDS：鲁棒异常感知的知情下采样

Source: arXiv - 2601.19477v1

概述

已知信息下采样（Informed down-sampling，IDS）在与各种选择策略（尤其是锦标赛选择）结合时能够提升符号回归的性能。然而，最新研究发现 IDS 的收益并非在所有问题上都一致。我们的分析表明，IDS 在包含异常值的问题上表现更差。IDS 会系统性地倾向于在子集里包含异常值，这会推动遗传编程（GP）寻找过度拟合异常值的解。

为了解决这一问题，我们提出了 ROIDS（Robust Outlier-Aware Informed Down-Sampling），它在 IDS 的采样过程中排除潜在的异常值。使用 ROIDS 可以在不对异常值过拟合的前提下保留 IDS 的优势，并在广泛的基准问题上具备竞争力。这一点在我们的实验中得到了体现：ROIDS 在所有研究的基准问题上均表现出期望的行为。ROIDS 在添加异常值的合成问题以及大量复杂的真实世界问题上始终优于 IDS，在超过 80 % 的真实世界基准问题上超越 IDS。此外，与所有研究的基线方法相比，ROIDS 在所有测试的基准问题上获得了最佳的平均排名。这种稳健的表现使得 ROIDS 成为符号回归中选择过程的可靠下采样方法，特别是当数据集中可能包含异常值时。

关键贡献

• cs.NE

方法论

请参阅完整论文获取详细的方法论。

实际意义

本研究推动了 cs.NE 领域的进步。

作者

• Alina Geiger
• Martin Briesch
• Dominik Sobania
• Franz Rothlauf

论文信息

• arXiv ID: 2601.19477v1
• Categories: cs.NE
• Published: January 27, 2026
• PDF: Download PDF