論文の概要: A Flawed Dataset for Symbolic Equation Verification
- arxiv url: http://arxiv.org/abs/2105.11479v1
- Date: Mon, 24 May 2021 18:05:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-27 07:12:29.059458
- Title: A Flawed Dataset for Symbolic Equation Verification
- Title（参考訳）: 記号式検証のための欠陥データセット
- Authors: Ernest Davis
- Abstract要約: Arabshahi、Singh、Anandkumarは記号数学的方程式のデータセットを作成する方法を提案する。
プロシージャが生成できる真の方程式のクラスは、非常に限定的である。
したがって、AIシステムのテストベッドとしてこの問題が一般的に有用であることは疑わしい。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Arabshahi, Singh, and Anandkumar (2018) propose a method for creating a
dataset of symbolic mathematical equations for the tasks of symbolic equation
verification and equation completion. Unfortunately, a dataset constructed
using the method they propose will suffer from two serious flaws. First, the
class of true equations that the procedure can generate will be very limited.
Second, because true and false equations are generated in completely different
ways, there are likely to be artifactual features that allow easy
discrimination.
Moreover, over the class of equations they consider, there is an extremely
simple probabilistic procedure that solves the problem of equation verification
with extremely high reliability. The usefulness of this problem in general as a
testbed for AI systems is therefore doubtful.
- Abstract（参考訳）: Arabshahi, Singh, and Anandkumar (2018) は記号方程式の検証と方程式完成のタスクのための記号方程式のデータセットを作成する方法を提案する。
残念ながら、提案する手法を使って構築されたデータセットは、2つの深刻な欠陥に悩まされる。
まず、手続きが生成できる真の方程式のクラスは非常に限定的である。
第二に、真と偽の方程式は完全に異なる方法で生成されるので、容易に識別できる人工的な特徴がある可能性が高い。
さらに、それらが考慮する方程式のクラスにおいて、極めて信頼性の高い方程式検証の問題を解く非常に単純な確率的手続きが存在する。
したがって、aiシステムのテストベッドとして一般にこの問題の有用性は疑わしい。
関連論文リスト
- A Fast Convoluted Story: Scaling Probabilistic Inference for Integer Arithmetic [4.7223923266180785]
整数値の確率変数に対する線形算術をテンソル演算として定式化する。
我々は、自由な勾配に基づく学習のために、事実上アンロック可能な、微分可能なデータ構造を得る。
論文 参考訳（メタデータ） (2024-10-16T09:16:10Z) - Exploring Equation as a Better Intermediate Meaning Representation for
Numerical Reasoning [53.2491163874712]
我々は数値推論の問題を解くために方程式をIMRとして利用する。
本稿では、方程式(ブリッジ)の生成を分解したブースティング数値推論法を提案する。
本手法では,GSM8K,SVAMP,Algebraデータセットの2.2%,0.9%,1.7%の性能向上を実現している。
論文 参考訳（メタデータ） (2023-08-21T09:35:33Z) - A Hybrid System for Systematic Generalization in Simple Arithmetic
Problems [70.91780996370326]
本稿では,記号列に対する合成的および体系的推論を必要とする算術的問題を解くことができるハイブリッドシステムを提案する。
提案システムは,最も単純なケースを含むサブセットでのみ訓練された場合においても,ネストした数式を正確に解くことができることを示す。
論文 参考訳（メタデータ） (2023-06-29T18:35:41Z) - Comparison of Single- and Multi- Objective Optimization Quality for
Evolutionary Equation Discovery [77.34726150561087]
進化的微分方程式の発見は、より優先順位の低い方程式を得るための道具であることが証明された。
提案した比較手法は、バーガーズ方程式、波動方程式、コルテヴェーグ・ド・ブリーズ方程式といった古典的なモデル例で示される。
論文 参考訳（メタデータ） (2023-06-29T15:37:19Z) - Structured model selection via $\ell_1-\ell_2$ optimization [1.933681537640272]
構造化力学系を同定する学習手法を開発した。
候補関数の集合が有界系を成すとき、その回復は安定で有界であることを示す。
論文 参考訳（メタデータ） (2023-05-27T12:51:26Z) - Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。
関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。
この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
論文 参考訳（メタデータ） (2022-10-15T17:32:49Z) - D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。
さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
論文 参考訳（メタデータ） (2022-06-21T17:59:20Z) - 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) - Stable Implementation of Probabilistic ODE Solvers [27.70274403550477]
常微分方程式(odes)の確率的解法は、数値の不確かさの効率的な定量化をもたらす。
それらは高い順序でまたは小さいステップ サイズと動くとき数値不安定に苦しみます。
本研究は,この問題に対する解決策を提案し,検討する。
正確な初期化、数値安定性をステップサイズ非依存にする座標変更事前条件、平方根実装の3つのコンポーネントを含んでいる。
論文 参考訳（メタデータ） (2020-12-18T08:35:36Z) - Probabilistic Grammars for Equation Discovery [0.0]
本稿では,確率論的文脈自由文法を方程式発見に用いることを提案する。
確率文法は、パーシモニー原理をエレガントかつ柔軟に定式化するために用いられる。
論文 参考訳（メタデータ） (2020-12-01T11:59:19Z) - Symbolic Regression using Mixed-Integer Nonlinear Optimization [9.638685454900047]
シンボリック回帰(SR)問題は、機械学習において難しい問題である。
混合整数非線形最適化と明示列挙法を組み合わせたハイブリッドアルゴリズムを提案する。
我々のアルゴリズムは、いくつかの合成データセットに対して、最先端のSRソフトウェアと最近の物理学に触発されたAI Feynmanという手法で競合していることを示す。
論文 参考訳（メタデータ） (2020-06-11T20:53:17Z)
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。