論文の概要: An Approach to Symbolic Regression Using Feyn

• arxiv url: http://arxiv.org/abs/2104.05417v1
• Date: Mon, 12 Apr 2021 12:50:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-14 00:00:18.362098
• Title: An Approach to Symbolic Regression Using Feyn
• Title（参考訳）: feynを用いた記号回帰へのアプローチ
• Authors: Kevin Ren\'e Brol{\o}s, Meera Vieira Machado, Chris Cave, Jaan Kasak, Valdemar Stentoft-Hansen, Victor Galindo Batanero, Tom Jelen, Casper Wilstrup
• Abstract要約: QLatticeはリチャード・ファインマンの経路積分定式化に触発された教師付き機械学習ツールである。 モデルを数学的方程式として解釈できるグラフとして定式化する。 従来の機械学習アプローチとどのように違うのか、それらと共通するもの、象徴的な回帰を伴う共通点をいくつか示します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this article we introduce the supervised machine learning tool called Feyn. The simulation engine that powers this tool is called the QLattice. The QLattice is a supervised machine learning tool inspired by Richard Feynman's path integral formulation, that explores many potential models that solves a given problem. It formulates these models as graphs that can be interpreted as mathematical equations, allowing the user to completely decide on the trade-off between interpretability, complexity and model performance. We touch briefly upon the inner workings of the QLattice, and show how to apply the python package, Feyn, to scientific problems. We show how it differs from traditional machine learning approaches, what it has in common with them, as well as some of its commonalities with symbolic regression. We describe the benefits of this approach as opposed to black box models. To illustrate this, we go through an investigative workflow using a basic data set and show how the QLattice can help you reason about the relationships between your features and do data discovery.
• Abstract（参考訳）: 本稿では,feynと呼ばれる教師付き機械学習ツールを紹介する。 このツールを駆動するシミュレーションエンジンはqlatticeと呼ばれる。 QLatticeは、Richard Feynman氏のパス積分定式化にヒントを得た、教師付き機械学習ツールである。 これらのモデルを数学的方程式として解釈可能なグラフとして定式化し、解釈可能性、複雑性、モデル性能のトレードオフを完全に決定できる。 QLatticeの内部動作について簡単に触れ、科学的な問題にpythonパッケージであるFeynを適用する方法について説明する。 従来の機械学習アプローチとどう違うのか、それらと何が共通しているか、そして象徴的回帰と共通点のいくつかを示す。 このアプローチの利点をブラックボックスモデルとは対照的に説明する。 これを説明するために、基本的なデータセットを使用して調査ワークフローを実施し、qlatticeが機能間の関係を判断し、データディスカバリを行う上でどのように役立つかを示します。

関連論文リスト

• PlasmoData.jl -- A Julia Framework for Modeling and Analyzing Complex Data as Graphs [0.0]
  複雑なデータセットのモデリングと解析を容易にするため,グラフ理論の概念を用いたオープンソースのJuliaフレームワークであるPlasmoData.jlを提案する。 私たちのフレームワークの中核は、DataGraphと呼ばれる一般的なデータモデリング抽象化です。 本稿では,データオブジェクトをグラフとして表現するために,抽象化とソフトウェアの実装をどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2024-01-21T05:04:38Z)
• Probing Graph Representations [77.7361299039905]
  グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。 本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。 グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
  論文  参考訳（メタデータ） (2023-03-07T14:58:18Z)
• On Inductive Biases for Machine Learning in Data Constrained Settings [0.0]
  この論文は、データ制約された設定で表現力のあるモデルを学ぶという問題に対する異なる答えを探求する。 ニューラルネットワークを学ぶために、大きなデータセットに頼るのではなく、データ構造を反映した既知の関数によって、いくつかのモジュールを置き換えるつもりです。 我々のアプローチは「帰納的バイアス」のフードの下に置かれており、これは探索するモデルの空間を制限する手元にあるデータの仮説として定義することができる。
  論文  参考訳（メタデータ） (2023-02-21T14:22:01Z)
• Heterogeneous Line Graph Transformer for Math Word Problems [21.4761673982334]
  本稿では,オンライン学習システムのための新しい機械学習モデルの設計と実装について述べる。 我々は,自動算術語問題解決システムの実現により,システムの知能レベルを向上することを目指している。
  論文  参考訳（メタデータ） (2022-08-11T05:27:05Z)
• Learning to Predict Graphs with Fused Gromov-Wasserstein Barycenters [2.169919643934826]
  我々はこの問題をFGW損失(Fused Gromov-Wasserstein)を用いて回帰式として定式化する。 本稿では,重みが入力に依存するFGWバリセンタに依存する予測モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-08T12:15:39Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
  本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。 我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
  論文  参考訳（メタデータ） (2020-11-17T12:39:44Z)
• Reward Propagation Using Graph Convolutional Networks [61.32891095232801]
  本稿では,グラフ表現学習のアイデアを活用した潜在機能学習フレームワークを提案する。 我々のアプローチは、強化学習の確率論的推論と組み合わせて、重要な要素として使用するグラフ畳み込みネットワークに依存している。
  論文  参考訳（メタデータ） (2020-10-06T04:38:16Z)
• Deducing neighborhoods of classes from a fitted model [68.8204255655161]
  本稿では,新しいタイプの解釈可能な機械学習手法を提案する。 量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。 基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
  論文  参考訳（メタデータ） (2020-09-11T16:35:53Z)
• 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)

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。