論文の概要: Online Symbolic Regression with Informative Query
- arxiv url: http://arxiv.org/abs/2302.10539v1
- Date: Tue, 21 Feb 2023 09:13:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 15:49:05.581926
- Title: Online Symbolic Regression with Informative Query
- Title（参考訳）: Informative Query を用いたオンラインシンボリック回帰
- Authors: Pengwei Jin, Di Huang, Rui Zhang, Xing Hu, Ziyuan Nan, Zidong Du, Qi
Guo, Yunji Chen
- Abstract要約: 我々はtextbfonline textbfsymbolic textbfregression のためのフレームワーク QUOSR を提案する。
各ステップで、QUOSRは履歴データポイントを受け取り、新しい$vx$を生成し、シンボル式をクエリして対応する$y$を取得する。
情報化データを生成することにより,QUOSRは現代的シンボリックレグレッション手法を促進することができることを示す。
- 参考スコア（独自算出の注目度）: 23.684346197490605
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Symbolic regression, the task of extracting mathematical expressions from the
observed data $\{ \vx_i, y_i \}$, plays a crucial role in scientific discovery.
Despite the promising performance of existing methods, most of them conduct
symbolic regression in an \textit{offline} setting. That is, they treat the
observed data points as given ones that are simply sampled from uniform
distributions without exploring the expressive potential of data. However, for
real-world scientific problems, the data used for symbolic regression are
usually actively obtained by doing experiments, which is an \textit{online}
setting. Thus, how to obtain informative data that can facilitate the symbolic
regression process is an important problem that remains challenging.
In this paper, we propose QUOSR, a \textbf{qu}ery-based framework for
\textbf{o}nline \textbf{s}ymbolic \textbf{r}egression that can automatically
obtain informative data in an iterative manner. Specifically, at each step,
QUOSR receives historical data points, generates new $\vx$, and then queries
the symbolic expression to get the corresponding $y$, where the $(\vx, y)$
serves as new data points. This process repeats until the maximum number of
query steps is reached. To make the generated data points informative, we
implement the framework with a neural network and train it by maximizing the
mutual information between generated data points and the target expression.
Through comprehensive experiments, we show that QUOSR can facilitate modern
symbolic regression methods by generating informative data.
- Abstract（参考訳）: 記号回帰は、観測データ $\{ \vx_i, y_i \}$ から数式を抽出するタスクであり、科学的発見において重要な役割を果たす。
既存のメソッドの有望な性能にもかかわらず、その多くは \textit{offline} 設定でシンボル回帰を行う。
すなわち、観測されたデータポイントを、データの表現力を探ることなく、一様分布から単純にサンプリングされるものとして扱う。
しかし、現実の科学的な問題では、記号回帰に使用されるデータは、通常、実験によって積極的に得られる。
このように、シンボリック回帰プロセスを促進する情報的データを得る方法は、依然として困難な問題である。
本稿では,反復的に情報を自動取得可能な, \textbf{o}nline \textbf{s}ymbolic \textbf{r}egression のための \textbf{qu}ery ベースのフレームワーク quosr を提案する。
具体的には、各ステップにおいて、QUOSRは履歴データポイントを受け取り、新しい$\vx$を生成し、シンボル式をクエリして対応する$y$を取得し、$(\vx, y)$が新しいデータポイントとして機能する。
このプロセスは、クエリステップの最大数に到達するまで繰り返す。
生成したデータポイントを情報化するために、ニューラルネットワークを用いてフレームワークを実装し、生成したデータポイントと対象表現との相互情報を最大化して学習する。
包括的実験により,情報化データを生成することにより,QUOSRは近代的な記号回帰手法を促進することができることを示す。
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) - Turnstile $\ell_p$ leverage score sampling with applications [56.403488578703865]
我々は,行列$AinmathbbRntimes d$の行をサンプリングする新しいアルゴリズムを開発した。
我々のアルゴリズムはサンプル行インデックスのセットを返すだけでなく、わずかに乱れた行を $tildea_i approx a_i$ で返却し、サンプリング確率を $varepsilon$ の相対誤差に近似する。
ロジスティック回帰のために、我々のフレームワークは$を達成した最初のアルゴリズムを得る。
論文 参考訳（メタデータ） (2024-06-01T07:33:41Z) - Generalized Regression with Conditional GANs [2.4171019220503402]
本稿では,学習データセットにおける特徴ラベルペアと,対応する入力と組み合わせて出力を区別できない予測関数を学習することを提案する。
回帰に対するこのアプローチは、私たちが適合するデータの分布に対する仮定を減らし、表現能力が向上することを示す。
論文 参考訳（メタデータ） (2024-04-21T01:27:47Z) - A Transformer Model for Symbolic Regression towards Scientific Discovery [11.827358526480323]
記号回帰(SR)は、数値データセットを最もよく記述する数学的表現を探索する。
本稿では, シンボリック回帰に着目した新しいトランスフォーマーモデルを提案する。
我々は、正規化ツリーベース編集距離を用いて、最先端の結果を出力するSRSDデータセットにベストモデルを適用した。
論文 参考訳（メタデータ） (2023-12-07T06:27:48Z) - TRIAGE: Characterizing and auditing training data for improved
regression [80.11415390605215]
TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。
TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。
TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
論文 参考訳（メタデータ） (2023-10-29T10:31:59Z) - Scalable Neural Symbolic Regression using Control Variables [7.725394912527969]
本稿では,制御変数を利用したスケーラブルなシンボル回帰モデルであるScaleSRを提案し,精度とスケーラビリティを両立させる。
まず、ディープニューラルネットワーク(DNN)を用いて観測データからデータジェネレータを学習する。
実験結果から,複数の変数を持つ数学的表現の発見において,提案した ScaleSR は最先端のベースラインを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-06-07T18:30:25Z) - Online Active Regression [8.397196353612042]
学習者はデータポイントを1つずつ受け取り、対応するラベルを収集すべきかを判断する。
目標は、ラベルクエリの少ない予算で、受信したデータポイントのレグレッションを効率的に維持することである。
論文 参考訳（メタデータ） (2022-07-13T03:53:25Z) - Active Learning Improves Performance on Symbolic RegressionTasks in
StackGP [2.7685408681770247]
StackGPを用いた記号回帰のための能動的学習手法を提案する。
我々はFeynman AIベンチマークを用いて,少ないデータポイントを用いて適切なモデルを見つけるための手法の能力を検証した。
論文 参考訳（メタデータ） (2022-02-09T20:05:22Z) - Oblivious sketching for logistic regression [72.42202783677811]
本稿では,ロジスティック回帰のための最初のデータ難読スケッチを示す。
私たちのスケッチは速く、シンプルで、実装も簡単です。
論文 参考訳（メタデータ） (2021-07-14T11:29:26Z) - 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) - Piecewise Linear Regression via a Difference of Convex Functions [50.89452535187813]
本稿では,データに対する凸関数(DC関数)の差を利用した線形回帰手法を提案する。
実際に実装可能であることを示すとともに,実世界のデータセット上で既存の回帰/分類手法に匹敵する性能を有することを実証的に検証した。
論文 参考訳（メタデータ） (2020-07-05T18:58:47Z)
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。