KI News: Kurz und klar.

In der dynamischen, mehrmodalen, ressourcenbeschränkten Projektplanung gilt es, gleichzeitig die Reihenfolge von Aktivitäten und deren Ausführungsmodi zu bestimmen. Ein neu entwickeltes Verfahren nutzt genetische Programmierung als Hyperheuristik, um Prioritätsregeln zu erzeugen, die die Auswahl von Aktivitäts‑Modus‑Paaren steuern.

Moderne neuronale Netze setzen häufig generische Aktivierungsfunktionen wie ReLU, GELU oder SiLU ein, die die mathematische Struktur wissenschaftlicher Daten vernachlässigen. In der neuen Studie „Neuro-Symbolische Aktivierungsentdeckung“ wird ein innovatives Verfahren vorgestellt, das genetische Programmierung nutzt, um aus Rohdaten interpretierbare mathematische Formeln zu extrahieren und diese als maßgeschneiderte Aktivierungsfunktionen in neuronale Netze einzufügen.

Ein neues Verfahren namens Residuals for Equation Discovery (RED) bietet eine schnelle und gezielte Möglichkeit, bereits vorgeschlagene Gleichungen zu verbessern. Dabei wird die ursprüngliche Gleichung in einen Syntaxbaum zerlegt und die Residuen jeder Teilgleichung berechnet.

Symbolic Regression (SR) versucht, aus Messdaten mathematische Ausdrücke zu finden, die die zugrunde liegenden Zusammenhänge beschreiben. Traditionell liegt der Fokus dabei auf der Minimierung von Vorhersagefehlern, wodurch die resultierenden Formeln oft zu kompliziert oder ungenau werden. Das neue Verfahren „Decomposable Neuro Symbolic Regression“ löst dieses Problem, indem es erklärbare, mehrdimensionale Ausdrücke erzeugt, die die Struktur des zugrunde liegenden Modells widerspiegeln.

Eine neue Variante der genetischen Programmierung (GP) namens GPLight+ setzt neue Maßstäbe bei der automatischen Gestaltung von Ampelschaltungen. Durch die Einführung einer symmetrischen Prioritätsfunktion, die die Dringlichkeit eines Phasenwechsels anhand der aktuellen Verkehrsbedingungen berechnet, kann das System die Bedürfnisse aller Phasen einheitlich berücksichtigen.

In der Welt der quantitativen Investments ist das Generieren von Alpha‑Signalen aus Finanzdaten entscheidend. Trotz der Fortschritte durch genetische Programmierung, Reinforcement Learning und große Sprachmodelle bleibt die systematische Bewertung dieser Signale ein zentrales Problem. Traditionelle Methoden wie Backtesting sind rechenintensiv, sequentiell und stark von spezifischen Parametern abhängig, während korrelationsbasierte Kennzahlen lediglich die Vorhersagekraft messen und wichtige Aspekte wie Stabilität, Robustheit, Diversität und Interpretierbarkeit vernachlässigen.