GECCO2021 : 13の分野(トラック) まとめ

　学会の紹介シリーズとして、今回は GECCO という進化計算系の学会をまとめていきます！
この記事では、GECCOという学会とは？といったことから、GECCO2021で別れていた 13のトラック(分野)について簡単に紹介していきます！

GECCO とは？
GECCO 13のトラック
おわりに

GECCO とは？

GECCO とは、Genetic and Evolutionary Computation Conference の略で、遺伝的・進化的計算系の学会です！

遺伝的アルゴリズム、遺伝的プログラミング、アリ・コロニー最適化と群知能、複雑系（人工生命、ロボット工学、進化可能なハードウェア、生成・発達システム、人工免疫システム）、デジタルエンタテインメント技術・芸術、進化的組合せ最適化とメタヒューリスティクス、進化的機械学習、進化的多目的最適化、進化的数値最適化、実世界への応用、探索型ソフトウェア工学、理論といった分野について扱われています。

GECCO 2021 | HomePage

GECCO 2021

AMiner : CCF での評価

H5 Index : 40
Rising Index : 27
TK5 Index : 15
CCF Level : C
Basic Research Creativity Index : 5.82
THU Level : B

GECCO 13のトラック

1. ASO-SI アントコロニー最適化・群知能

ACO-SI - Ant Colony Optimization and Swarm Intelligence

　群知能（Swarm Intelligence：SI）とは、動物や人工的なエージェントの集団が、互いや環境との局所的な相互作用によって、問題を解決する集合的な行動のことである。
　SIの主な応用分野は、最適化とロボット工学の2つです。
　1. 最適化
　Ant Colony Optimization (ACO)とParticle Swarm Optimization (PSO)がSI最適化手法の代表的なものであり、理工学分野で多くの応用がなされている。

　2. ロボット工学
　多数のロボットを分散的に制御することに成功している

2. CS

CS - Complex Systems (Artificial Life/Artificial Immune Systems/Generative and Developmental Systems/Evolutionary Robotics/Evolvable Hardware)

　進化を現実の複雑さにスケールアップするための課題を扱っている。これには、人工生命、人工免疫システム、生成発展システム（GDS）などの生物システムの現実の複雑性と、進化的ロボット工学や進化可能なハードウェアなどの物理システムの現実の複雑性の両方が含まれる。

3. ECOM 進化的組合せ最適化とメタヒューリスティクス

ECOM - Evolutionary Combinatorial Optimization and Metaheuristics

　組み合わせ最適化問題に対するメタヒューリスティックに関するテーマ。物流、ネットワーク設計、バイオインフォマティクス、エンジニアリング、ビジネスなど、さまざまな分野でメタヒューリスティックなアプローチが採用されている。

4. EML 進化的機械学習

EML - Evolutionary Machine Learning

　機械学習（ML）問題に対する進化的計算手法の理論と応用の進歩を扱っている。教師あり学習、教師なし学習、半教師あり学習、強化学習などの問題に加え、転移学習や領域適応、深層学習、機械学習モデルの解釈可能性、不均衡データや欠損データを用いた学習などの最近のトピックを含むさまざまな機械学習手法が対象。

5. EMO 進化的多目的最適化

EMO - Evolutionary Multiobjective Optimization

　実世界に応用される多くの問題では、複数の目的関数を同時に最適化する必要があり、理想的な解がほとんど存在しない多目的最適化問題(MOP)である。

　多目的最適化問題では，理想的な解はほとんど存在せず、目的間の異なるトレードオフを表す複数の妥協解が認められるのが一般的であるが、多目的最適化のための進化的アルゴリズムは、ブラックボックス問題を含む様々なMOPに適用できることから、EMOと呼ばれるこの研究分野が重要になっている。

6. ENUM 進化的数値最適化

ENUM - Evolutionary Numerical Optimization

ランダム化された探索アルゴリズムと連続探索空間に関するトラック。

ENUMトラックでは、主に下記のような手法を扱っていますが、それに限定されるものではありません。

クロスエントロピー（CE）法
ディファレンシャル・エボリューション（DE）法
連続バージョンの遺伝的アルゴリズム（GA）
分布推定アルゴリズム（EDA）
進化戦略（ES）
進化プログラミング（EP）
連続情報幾何学的最適化（IGO）
マルコフ連鎖モンテカルロ法（MCMC）
粒子群最適化（PSO）など

7. GA 遺伝的アルゴリズム

GA - Genetic Algorithms

　GECCO の中で大規模かつ重要なトラック。
遺伝的アルゴリズムに関するあらゆる分野が募集されている。

8. GECH 一般的な進化的計算とハイブリッド

GECH - General Evolutionary Computation and Hybrids

　進化的アルゴリズムが、より大きなシステムの一部として、または他のアルゴリズムとの相乗効果によって使用されることが多いことを認識することができる新しいトラック。
　共進化や機械学習アルゴリズムと EAの組み合わせなどをはじめたさまざまな分野がある。

9. GP 遺伝的プログラミング

GP - Genetic Programming

　遺伝的プログラミング(GP) とは、与えられた問題を解決するための解決策やプログラムを自動的に生成する進化的計算手法である。GPには、木構造、コードの線形配列、グラフ、文法など、さまざまな表現方法が用いられており、適切なフィットネス関数を考案すれば、与えられた問題を解決するコンピュータプログラムが出現する。
　この分野では、指定されたタスクのためのコンピュータプログラムやその他の実行可能な構造の進化的生成に関する論文を募集している。

10. NE

NE - Neuroevolution

　人工ニューラルネットワークの構築に進化計算 (EC) を適用した機械学習手法。他のニューラルネットワーク学習法と比較して、ニューロエボルーションは汎用性が高く、任意のニューラルモデルやネットワーク構造で、明示的な目標を持たずに学習することができる。また、Neurorvolution は、強化学習、教師付き学習、教師なし学習、画像解析、コンピュータビジョン、自然言語処理など、幅広い分野で困難な課題の解決に成功してる分野である。