Fugu-MT 論文翻訳(概要): Smooth Symbolic Regression: Transformation of Symbolic Regression into a Real-valued Optimization Problem

論文の概要: Smooth Symbolic Regression: Transformation of Symbolic Regression into a Real-valued Optimization Problem

arxiv url: http://arxiv.org/abs/2108.03274v1
Date: Fri, 6 Aug 2021 18:50:33 GMT
ステータス: 処理完了
システム内更新日: 2021-08-10 15:14:23.302806
Title: Smooth Symbolic Regression: Transformation of Symbolic Regression into a Real-valued Optimization Problem
Title（参考訳）: smooth symbolic regression: transform of symbolic regression to a real-valued optimization problem
Authors: Erik Pitzer, Gabriel Kronberger
Abstract要約: 我々は最適化問題から象徴的回帰を変換しようと試みており、典型的な解析手法では意味のある結果が得られないほど頑丈な風景を描いている。頑丈さは最適化の性能に干渉しないかもしれないが、分析の可能性を制限する。
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: The typical methods for symbolic regression produce rather abrupt changes in solution candidates. In this work, we have tried to transform symbolic regression from an optimization problem, with a landscape that is so rugged that typical analysis methods do not produce meaningful results, to one that can be compared to typical and very smooth real-valued problems. While the ruggedness might not interfere with the performance of optimization, it restricts the possibilities of analysis. Here, we have explored different aspects of a transformation and propose a simple procedure to create real-valued optimization problems from symbolic regression problems.
Abstract（参考訳）: シンボリック回帰の典型的な方法は解候補の急激な変化をもたらす。そこで本研究では,典型的な解析手法では有意義な結果が得られない状況から,典型的かつ非常にスムーズな実数値問題に比較可能な状況へと,象徴的回帰を最適化問題から転換する試みを行った。頑丈さは最適化の性能を妨げないかもしれないが、分析の可能性を制限する。本稿では,変換のさまざまな側面を考察し,シンボル回帰問題から実数値最適化問題を生成するための簡単な手順を提案する。

関連論文リスト

ParFam -- (Neural Guided) Symbolic Regression Based on Continuous Global Optimization [14.146976111782466]
我々は、離散的記号回帰問題を連続的な問題に変換するために、新しいアプローチであるParFamを提案する。グローバルな手法と組み合わせることで、SRの問題に対処する非常に効果的な手法がもたらされる。また、ParFamをガイドするために、事前訓練されたトランスフォーマーネットワークDL-ParFamを組み込んだ拡張も提案する。
論文参考訳（メタデータ） (2023-10-09T09:01:25Z)
Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文参考訳（メタデータ） (2023-01-28T01:50:42Z)
Vector-Valued Least-Squares Regression under Output Regularity Assumptions [73.99064151691597]
最小二乗回帰問題を無限次元出力で解くために,還元ランク法を提案し,解析する。提案手法の学習バウンダリを導出し、フルランク手法と比較して統計的性能の設定を改善する研究を行う。
論文参考訳（メタデータ） (2022-11-16T15:07:00Z)
Optimal Rates for Random Order Online Optimization [60.011653053877126]
敵が損失関数を選択できるカテットガルバー2020onlineについて検討するが、一様にランダムな順序で提示される。 2020onlineアルゴリズムが最適境界を達成し,安定性を著しく向上することを示す。
論文参考訳（メタデータ） (2021-06-29T09:48:46Z)
Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
論文参考訳（メタデータ） (2021-04-30T08:50:24Z)
Slowly Varying Regression under Sparsity [5.22980614912553]
本稿では, 緩やかな過度回帰の枠組みを提示し, 回帰モデルが緩やかかつスパースな変動を示すようにした。本稿では,バイナリ凸アルゴリズムとして再構成する手法を提案する。結果として得られたモデルは、様々なデータセット間で競合する定式化よりも優れていることを示す。
論文参考訳（メタデータ） (2021-02-22T04:51:44Z)
Sparse Signal Reconstruction for Nonlinear Models via Piecewise Rational Optimization [27.080837460030583]
劣化した信号を非線形歪みと限られたサンプリングレートで再構成する手法を提案する。本手法は,不正確な適合項と罰則として定式化する。シミュレーションの利点の観点から,この問題の活用方法を示す。
論文参考訳（メタデータ） (2020-10-29T09:05:19Z)
Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文参考訳（メタデータ） (2020-09-01T19:12:11Z)
Adaptive Sampling of Pareto Frontiers with Binary Constraints Using Regression and Classification [0.0]
本稿では,二項制約を持つブラックボックス多目的最適化問題に対する適応最適化アルゴリズムを提案する。本手法は確率的回帰モデルと分類モデルに基づいており,最適化目標のサロゲートとして機能する。また,予想される超体積計算を高速化するために,新しい楕円形トランケーション法を提案する。
論文参考訳（メタデータ） (2020-08-27T09:15:02Z)
Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文参考訳（メタデータ） (2020-06-18T19:11:54Z)
Adaptive First-and Zeroth-order Methods for Weakly Convex Stochastic Optimization Problems [12.010310883787911]
我々は、弱凸(おそらく非滑らかな)最適化問題の重要なクラスを解くための、適応的な段階的な新しい手法の族を解析する。実験結果から,提案アルゴリズムが0次勾配降下と設計変動を経験的に上回ることを示す。
論文参考訳（メタデータ） (2020-05-19T07:44:52Z)

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。