유전 프로그래밍(GP)은 기존에 기호적 표현의 진화와 성능 기반 평가를 밀접하게 결합하여, 주로 원시 적합도 점수에 의존해 왔습니다. 이러한 밀접한 결합은 GP 솔루션을 더욱 취약하게 만들고 과적합되기 쉽게 하여 일반화 능력을 저하시킵니다. 본 연구에서는 표현 진화와 평생 학습을 분리하는 일반적인 프레임워크인 LaSER(Latent Semantic Representation Regression)을 제안합니다. 각 세대에서 후보 프로그램은 특징을 생성하고, 이는 외부 학습기에 전달되어 목표 작업을 모델링합니다. 이러한 접근 방식을 통해 선형 모델부터 신경망까지 어떤 함수 근사기도 평생 학습기 역할을 할 수 있게 하여 기존의 기호적 형태를 넘어서는 표현력 있는 모델링을 가능하게 합니다. 본 연구는 LaSER이 비선형 방법을 사용하여 복잡한 데이터 세트에 대해 GP가 생성한 방정식에 계수를 적합시킬 때, 표준 GP 및 선형 회귀를 거친 GP를 능가할 수 있음을 최초로 보여줍니다. 또한 LaSER이 어떻게 고유한 표현의 출현을 가능하게 하고, 발드윈 효과와 같은 진화 학습에서 오랫동안 제기되어 온 가설을 뒷받침하는지 살펴봅니다. 표현과 적응의 역할을 분리함으로써 LaSER은 기호적 회귀 및 분류를 위한 원칙적이고 확장 가능한 프레임워크를 제공합니다.
