論文の概要: Symbolic regression for scientific discovery: an application to wind speed forecasting

• arxiv url: http://arxiv.org/abs/2102.10570v1
• Date: Sun, 21 Feb 2021 09:46:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 16:07:00.436811
• Title: Symbolic regression for scientific discovery: an application to wind speed forecasting
• Title（参考訳）: 科学的発見のための記号回帰:風速予測への応用
• Authors: Ismail Alaoui Abdellaoui and Siamak Mehrkanoon
• Abstract要約: 記号回帰は、データから解析方程式を明らかにするための一連の手法に対応する。 短時間の地平線予測に対して,少数の特徴量のみを用いて合理的な精度が得られる解析式を導出できることを示す。
• 参考スコア（独自算出の注目度）: 4.644923443649426
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Symbolic regression corresponds to an ensemble of techniques that allow to uncover an analytical equation from data. Through a closed form formula, these techniques provide great advantages such as potential scientific discovery of new laws, as well as explainability, feature engineering as well as fast inference. Similarly, deep learning based techniques has shown an extraordinary ability of modeling complex patterns. The present paper aims at applying a recent end-to-end symbolic regression technique, i.e. the equation learner (EQL), to get an analytical equation for wind speed forecasting. We show that it is possible to derive an analytical equation that can achieve reasonable accuracy for short term horizons predictions only using few number of features.
• Abstract（参考訳）: 記号回帰は、データから解析方程式を明らかにするための一連の手法に対応する。 閉じた形式式を通じて、これらの技術は、新しい法則の潜在的な科学的発見、説明可能性、特徴工学、高速推論などの大きな利点を提供します。 同様に、ディープラーニングベースの技術は複雑なパターンをモデリングする素晴らしい能力を示している。 本論文は,最近のエンドツーエンドのシンボリック回帰手法の適用を目的とする。 風速予測のための分析式を得るために、方程式学習者(EQL)。 短時間の地平線予測に対して,少数の特徴量のみを用いて合理的な精度が得られる解析式を導出できることを示す。

関連論文リスト

• Discovering symbolic expressions with parallelized tree search [59.92040079807524]
  記号回帰は、データから簡潔で解釈可能な数学的表現を発見する能力のおかげで、科学研究において重要な役割を果たす。 既存のアルゴリズムは、複雑性の問題に対処する際の精度と効率の重要なボトルネックに直面してきた。 本稿では,限定データから汎用数学的表現を効率的に抽出する並列木探索(PTS)モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-05T10:41:15Z)
• Discovering an interpretable mathematical expression for a full wind-turbine wake with artificial intelligence enhanced symbolic regression [9.62113970975207]
  本稿では,平均速度損失に対する解釈可能な数学的表現を発見するために,遺伝的記号回帰(SR)アルゴリズムを提案する。 提案した数式(方程式)は、高精度で安定なフルウェイク領域の任意の位置における覚醒速度の欠陥を予測できる。
  論文  参考訳（メタデータ） (2024-06-02T10:17:54Z)
• Scalable Sparse Regression for Model Discovery: The Fast Lane to Insight [0.0]
  シンボリックライブラリに適用されたスパース回帰は、データから直接方程式を学習する強力なツールとして急速に現れてきた。 最近提案された網羅的探索を拡張した汎用モデルスパース回帰アルゴリズムを提案する。 これは、小さな係数に対する非依存的な感度を維持することを目的としており、大きなシンボルライブラリーにとって妥当な計算コストである。
  論文  参考訳（メタデータ） (2024-05-14T18:09:43Z)
• 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)
• Controllable Neural Symbolic Regression [10.128755371375572]
  記号回帰では、数学的記号の最小使用量で実験データに適合する解析式を見つけることが目的である。 仮説付きニューラルシンボリック回帰(NSRwH)と呼ばれる新しいニューラルシンボリック回帰法を提案する。 実験により,提案した条件付き深層学習モデルは,精度で非条件付き学習モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-20T14:20:48Z)
• Neural Symbolic Regression that Scales [58.45115548924735]
  本稿では,大規模事前学習を利用した最初の記号回帰手法を提案する。 我々は,非有界な方程式の集合を手続き的に生成し,同時にインプット・アウトプット・ペアの集合からシンボル方程式を予測するためにトランスフォーマーを事前訓練する。
  論文  参考訳（メタデータ） (2021-06-11T14:35:22Z)
• AI Feynman 2.0: Pareto-optimal symbolic regression exploiting graph modularity [8.594811303203581]
  本稿では,Pareto-Optimal式にデータを適合させようとする記号回帰法の改良について述べる。 これは、通常、ノイズや悪いデータに対して、桁違いに堅牢であることによって、過去の最先端を改善する。 ニューラルネットワークの勾配特性から一般化対称性を発見する手法を開発した。
  論文  参考訳（メタデータ） (2020-06-18T18:01:19Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)
• SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
  本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。 我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
  論文  参考訳（メタデータ） (2020-03-05T14:33:20Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。