Fugu-MT 論文翻訳(概要): Data-driven formulation of natural laws by recursive-LASSO-based symbolic regression

論文の概要: Data-driven formulation of natural laws by recursive-LASSO-based symbolic regression

arxiv url: http://arxiv.org/abs/2102.09210v1
Date: Thu, 18 Feb 2021 08:20:35 GMT
ステータス: 処理完了
システム内更新日: 2021-02-19 14:26:05.378319
Title: Data-driven formulation of natural laws by recursive-LASSO-based symbolic regression
Title（参考訳）: Recursive-LASSO-based symbolic regressionによる自然法則の定式化
Authors: Yuma Iwasaki and Masahiko Ishida
Abstract要約: 本稿では,人間の偏見やバイアスを伴わずにビッグデータを解析し,新たな自然法則を求める機械学習技術を提案する。提案した機械学習, 再帰LASSOに基づく記号回帰(RLS)により, 雑音データから自然法則を定式化できることを示す。このデータ駆動定式化法は極めて一般的であり、様々な科学分野で新しい法則を発見することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Discovery of new natural laws has for a long time relied on the inspiration of some genius. Recently, however, machine learning technologies, which analyze big data without human prejudice and bias, are expected to find novel natural laws. Here we demonstrate that our proposed machine learning, recursive-LASSO-based symbolic (RLS) regression, enables data-driven formulation of natural laws from noisy data. The RLS regression recurrently repeats feature generation and feature selection, eventually constructing a data-driven model with highly nonlinear features. This data-driven formulation method is quite general and thus can discover new laws in various scientific fields.
Abstract（参考訳）: 新しい自然法則の発見は、長い間、天才のインスピレーションに依存してきた。しかし近年,人間の偏見や偏見を伴わないビッグデータを解析する機械学習技術が,新たな自然法則の発見を期待されている。ここでは,提案した機械学習,再帰的LASSOに基づく記号回帰(RLS)により,雑音データから自然法則をデータ駆動で定式化できることを実証する。 RLS回帰は、特徴生成と特徴選択を繰り返し繰り返し、最終的に非常に非線形な特徴を持つデータ駆動モデルを構築する。このデータ駆動定式化法は極めて一般的であり、様々な科学分野で新しい法則を発見することができる。

関連論文リスト

Interpretable Predictive Models for Healthcare via Rational Logistic Regression [1.0855602842179624]
本稿では,論理ロジスティック回帰(RLR)と呼ばれる,標準ロジスティック回帰(LR)を特別に用いた新しいモデルを開発する。 RLRは理論的基盤として有理級数を持ち、時系列データに取り組み、解釈可能なパターンを学ぶ。実世界の臨床的タスクに関する実証的な比較は、RLRの有効性を示している。
論文参考訳（メタデータ） (2024-11-05T16:15:25Z)
Learning Linear Attention in Polynomial Time [115.68795790532289]
線形注意を持つ単層変圧器の学習性に関する最初の結果を提供する。線形アテンションは RKHS で適切に定義された線形予測器とみなすことができる。我々は,すべての経験的リスクが線形変換器と同等のトレーニングデータセットを効率的に識別する方法を示す。
論文参考訳（メタデータ） (2024-10-14T02:41:01Z)
Nature-Inspired Local Propagation [68.63385571967267]
自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
論文参考訳（メタデータ） (2024-02-04T21:43:37Z)
Deep Generative Symbolic Regression [83.04219479605801]
記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
論文参考訳（メタデータ） (2023-12-30T17:05:31Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
On sparse regression, Lp-regularization, and automated model discovery [0.0]
Lp正規化ニューラルネットワークは、解釈可能なモデルと物理的に意味のあるパラメータの両方を同時に検出できることを示す。データから物質モデルを自動的に発見する能力は、生成材料設計に多大な応用をもたらす可能性がある。
論文参考訳（メタデータ） (2023-10-09T05:34:21Z)
Constructing Effective Machine Learning Models for the Sciences: A Multidisciplinary Perspective [77.53142165205281]
線形回帰モデルに変数間の変換や相互作用を手動で追加することで、非線形解が必ずしも改善されないことを示す。データ駆動モデルを構築する前にこれを認識する方法や、そのような分析が本質的に解釈可能な回帰モデルへの移行にどのように役立つかについて議論する。
論文参考訳（メタデータ） (2022-11-21T17:48:44Z)
Interpretable Scientific Discovery with Symbolic Regression: A Review [8.414043731621419]
記号回帰は、データから直接数学的表現を学ぶための有望な機械学習手法として現れつつある。本調査では,シンボル回帰法について概観し,その強度と限界について考察する。
論文参考訳（メタデータ） (2022-11-20T05:12:39Z)
Learning Low Dimensional State Spaces with Overparameterized Recurrent Neural Nets [57.06026574261203]
我々は、長期記憶をモデル化できる低次元状態空間を学習するための理論的証拠を提供する。実験は、線形RNNと非線形RNNの両方で低次元状態空間を学習することで、我々の理論を裏付けるものである。
論文参考訳（メタデータ） (2022-10-25T14:45:15Z)
Federated Latent Class Regression for Hierarchical Data [5.110894308882439]
フェデレートラーニング(FL)は、多くのエージェントがローカルに保存されたデータを開示することなく、グローバル機械学習モデルのトレーニングに参加することを可能にする。本稿では,新しい確率モデルである階層潜在クラス回帰(HLCR)を提案し,フェデレートラーニング(FEDHLCR)への拡張を提案する。我々の推論アルゴリズムはベイズ理論から派生したもので、強い収束保証と過剰適合性を提供する。実験結果から、FEDHLCRは非IIDデータセットにおいても高速収束を提供することが示された。
論文参考訳（メタデータ） (2022-06-22T00:33:04Z)
The Predictive Normalized Maximum Likelihood for Over-parameterized Linear Regression with Norm Constraint: Regret and Double Descent [12.929639356256928]
現代の機械学習モデルは、予測規則の複雑さとその一般化能力の間のトレードオフに従わないことを示す。最近提案された予測正規化最大値 (pNML) は、個々のデータに対するmin-max後悔解である。我々は,pNML後悔を合成データ上でのポイントワイド学習可能性尺度として使用し,二重発生現象の予測に成功していることを示す。
論文参考訳（メタデータ） (2021-02-14T15:49:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。