論文の概要: A Reinforcement Learning Approach to Domain-Knowledge Inclusion Using
Grammar Guided Symbolic Regression
- arxiv url: http://arxiv.org/abs/2202.04367v1
- Date: Wed, 9 Feb 2022 10:13:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 14:20:32.035927
- Title: A Reinforcement Learning Approach to Domain-Knowledge Inclusion Using
Grammar Guided Symbolic Regression
- Title（参考訳）: 文法誘導記号回帰を用いたドメイン知識包摂に対する強化学習アプローチ
- Authors: Laure Crochepierre (RTE, LORIA, ORPAILLEUR, UL), Lydia
Boudjeloud-Assala (LORIA, ORPAILLEUR, UL), Vincent Barbesant (RTE)
- Abstract要約: 強化型文法誘導記号回帰法(RBG2-SR)を提案する。
RBG2-SRは、文脈自由文法を強化作用空間として用いて、表現空間をドメイン知識で制約する。
提案手法は, ベンチマーク上の他の最先端手法と競合し, 最良のエラー・複雑性トレードオフを提供することを示す。
- 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: In recent years, symbolic regression has been of wide interest to provide an
interpretable symbolic representation of potentially large data relationships.
Initially circled to genetic algorithms, symbolic regression methods now
include a variety of Deep Learning based alternatives. However, these methods
still do not generalize well to real-world data, mainly because they hardly
include domain knowledge nor consider physical relationships between variables
such as known equations and units. Regarding these issues, we propose a
Reinforcement-Based Grammar-Guided Symbolic Regression (RBG2-SR) method that
constrains the representational space with domain-knowledge using context-free
grammar as reinforcement action space. We detail a Partially-Observable Markov
Decision Process (POMDP) modeling of the problem and benchmark our approach
against state-of-the-art methods. We also analyze the POMDP state definition
and propose a physical equation search use case on which we compare our
approach to grammar-based and non-grammarbased symbolic regression methods. The
experiment results show that our method is competitive against other
state-of-the-art methods on the benchmarks and offers the best error-complexity
trade-off, highlighting the interest of using a grammar-based method in a
real-world scenario.
- Abstract（参考訳）: 近年、シンボル回帰は、潜在的に大きなデータ関係の解釈可能なシンボル表現を提供するために広く関心を集めている。
当初、遺伝的アルゴリズムに反し、記号回帰法は様々なDeep Learningベースの代替手段を含んでいる。
しかし、これらの手法は、ドメイン知識をほとんど含んでおらず、既知の方程式や単位のような変数間の物理的関係も考慮していないため、実世界のデータによく当てはまらない。
本稿では,文脈自由文法を強化作用空間として用いるドメイン知識で表現空間を制約する強化型文法誘導記号回帰法(rbg2-sr)を提案する。
我々は,問題の部分的に観察可能なマルコフ決定過程(pomdp)のモデル化を詳述し,最先端手法に対するアプローチをベンチマークする。
また,POMDPの状態定義を解析し,文法に基づく手法と非文法に基づく記号回帰法との比較を行う物理方程式探索ユースケースを提案する。
実験結果から,本手法はベンチマーク上の他の最先端手法と競合し,実世界のシナリオで文法ベースの手法を使うことに関心があることが示唆された。
関連論文リスト
- A Comparison of Recent Algorithms for Symbolic Regression to Genetic Programming [0.0]
シンボリック回帰は、科学者が理解できる方法でデータをモデル化し、マッピングすることを目的としている。
最近の進歩は、これらの2つの分野のギャップを埋めようと試みている。
論文 参考訳（メタデータ） (2024-06-05T19:01:43Z) - 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) - Self-Supervised Learning with Lie Symmetries for Partial Differential
Equations [25.584036829191902]
我々は、自己教師付き学習(SSL)のための共同埋め込み手法を実装することにより、PDEの汎用表現を学習する。
我々の表現は、PDEの係数の回帰などの不変タスクに対するベースラインアプローチよりも優れており、また、ニューラルソルバのタイムステッピング性能も向上している。
提案手法がPDEの汎用基盤モデルの開発に有効であることを期待する。
論文 参考訳（メタデータ） (2023-07-11T16:52:22Z) - Mutual Information Learned Regressor: an Information-theoretic Viewpoint
of Training Regression Systems [10.314518385506007]
回帰問題を解くための既存の慣習は平均二乗誤差(MSE)最小化アプローチである。
近年,Yiらは相互情報に基づく教師あり学習フレームワークを提案し,ラベルエントロピー正規化を導入した。
本稿では,相互情報に基づく教師あり学習フレームワークにおける回帰について検討する。
論文 参考訳（メタデータ） (2022-11-23T03:43:22Z) - GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP,
and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。
本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。
低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文 参考訳（メタデータ） (2022-11-03T16:42:40Z) - MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning [63.50909998372667]
テキストの論理的ReasonIngに対して,Metaパスを用いたコントラスト学習手法であるMERItを提案する。
2つの新しい戦略が我々の手法の必須要素である。
論文 参考訳（メタデータ） (2022-03-01T11:13:00Z) - Contemporary Symbolic Regression Methods and their Relative Performance [5.285811942108162]
本研究では,252種類の回帰問題に対して,14のシンボル回帰法と7つの機械学習法を評価する。
実世界のデータセットでは、各手法が低いエラーと低い複雑さでモデルを学習する能力をベンチマークする。
合成問題に対して,様々なレベルのノイズが存在する場合に,各手法の正確な解を求める能力を評価する。
論文 参考訳（メタデータ） (2021-07-29T22:12:59Z) - Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。
これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。
これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2021-05-14T00:53:03Z) - Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。
相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
論文 参考訳（メタデータ） (2020-09-07T16:47:30Z) - Rule-based Bayesian regression [0.90238471756546]
回帰問題に対処する新しいルールベースのアプローチを導入する。
新しい手法は2つの枠組みから成り立っている: (i)ベイズ的推論を用いて利害パラメータの不確実性に関する情報を提供する; (ii)ルールベースのシステムを通じて専門家の知識を組み込むことを可能にする。
論文 参考訳（メタデータ） (2020-08-02T07:20:45Z) - Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。
その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文 参考訳（メタデータ） (2020-07-08T08:48:56Z)
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。