Genetisches Programmieren für erklärbare Manifold-Lernverfahren

Dieser Artikel stellt einen neuartigen Ansatz namens GP-EMaL vor, der darauf abzielt, die Erklärbarkeit von Manifold-Lernmodellen, die mit genetischem Programmieren (GP) erstellt werden, zu verbessern. GP-EMaL führt eine neue Komplexitätsmetrik ein, die direkt die Komplexität der GP-Bäume minimiert, ohne dabei die Qualität der Manifold-Einbettung zu beeinträchtigen.