Euristica Neuro-Evolutiva per l'Identificazione di Sottosequenze Comuni con Gap Variabile
Un recente preprint su arXiv (2608.00888) presenta una nuova tecnica basata sull'apprendimento per la creazione automatica di euristiche volte ad affrontare il Problema della Sottosequenza Comune più Lunga con Gap Variabile (VGLCSP). Questo problema è una variazione del tradizionale problema della sottosequenza comune più lunga, che incorpora vincoli di gap ed è rilevante in campi come l'allineamento di sequenze e l'analisi di serie temporali. Mentre la programmazione dinamica gestisce efficacemente i casi con due sequenze, gli scenari multi-sequenza spesso dipendono da euristiche basate su beam search che sono create manualmente e mancano di affidabilità. Il nuovo approccio formula le euristiche come una rete neurale con architettura fissa, perfezionata attraverso un algoritmo genetico in un contesto neuro-evolutivo. Il processo iterativo alterna l'ottimizzazione dei pesi e la valutazione utilizzando una tecnica all'avanguardia di beam search multi-sorgente. Questa ricerca cerca di migliorare l'efficacia e l'affidabilità delle euristiche impiegando metodi basati sui dati. L'articolo è accessibile su arXiv con l'identificatore 2608.00888.
Fatti principali
- L'articolo affronta il Problema della Sottosequenza Comune più Lunga con Gap Variabile (VGLCSP).
- VGLCSP è una variante del problema della sottosequenza comune più lunga con vincoli di gap.
- Le applicazioni includono l'allineamento di sequenze e l'analisi di serie temporali.
- Le versioni a due sequenze sono risolte con la programmazione dinamica.
- Le forme multi-sequenza sono solitamente risolte con euristiche basate su beam search.
- L'approccio proposto utilizza una rete neurale con architettura predefinita.
- I pesi sono ottimizzati da un algoritmo genetico all'interno di un quadro neuro-evolutivo.
- Il processo di apprendimento alterna l'ottimizzazione dei pesi e la valutazione in una beam search multi-sorgente iterativa.
Entità
Istituzioni
- arXiv