Fugu-MT 論文翻訳(概要): Active Learning in Symbolic Regression with Physical Constraints

論文の概要: Active Learning in Symbolic Regression with Physical Constraints

arxiv url: http://arxiv.org/abs/2305.10379v3
Date: Fri, 9 Aug 2024 21:06:15 GMT
ステータス: 処理完了
システム内更新日: 2024-08-14 01:18:22.932984
Title: Active Learning in Symbolic Regression with Physical Constraints
Title（参考訳）: 身体的制約を伴うシンボリック回帰のアクティブラーニング
Authors: Jorge Medina, Andrew D. White,
Abstract要約: 進化的記号回帰(SR)は記号方程式をデータに適合させ、簡潔な解釈可能なモデルを与える。本研究では,身体的制約のあるアクティブな学習環境において,どのデータを収集すべきかをSRを用いて提案する。
参考スコア（独自算出の注目度）: 0.4037357056611557
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Evolutionary symbolic regression (SR) fits a symbolic equation to data, which gives a concise interpretable model. We explore using SR as a method to propose which data to gather in an active learning setting with physical constraints. SR with active learning proposes which experiments to do next. Active learning is done with query by committee, where the Pareto frontier of equations is the committee. The physical constraints improve proposed equations in very low data settings. These approaches reduce the data required for SR and achieves state of the art results in data required to rediscover known equations.
Abstract（参考訳）: 進化的記号回帰(SR)は記号方程式をデータに適合させ、簡潔な解釈可能なモデルを与える。本研究では,身体的制約のあるアクティブな学習環境において,どのデータを収集すべきかをSRを用いて提案する。積極的学習を伴うSRは次にどの実験を行うかを提案する。アクティブラーニングは委員会によるクエリによって行われ、そこでは方程式のパレートフロンティアが委員会である。物理的制約は、非常に低いデータ設定で提案された方程式を改善する。これらのアプローチは、SRに必要なデータを削減し、既知の方程式を再発見するために必要なデータの最先端結果を達成する。

関連論文リスト

Ab initio nonparametric variable selection for scalable Symbolic Regression with large $p$ [2.222138965069487]
シンボリック回帰(SR)は、データの非線形関係を特徴付けるシンボリック表現を発見するための強力な手法である。既存のSR法は、多くの入力変数を持つデータセットにスケールしないが、これは現代の科学的応用で一般的である。本稿では,Ab初期非パラメトリック変数選択とSRを組み合わせたPAN+SRを提案する。
論文参考訳（メタデータ） (2024-10-17T15:41:06Z)
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)
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)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
Incorporating Background Knowledge in Symbolic Regression using a Computer Algebra System [0.0]
シンボリック回帰(SR)は、与えられたデータセットに適合する解釈可能な簡潔な表現を生成することができる。具体的には、従来の遺伝的アルゴリズム(GA)ベースのSR(PySR)とマルコフ連鎖モンテカルロ(MCMC)ベースのベイズSRアーキテクチャへの制約の追加について検討する。
論文参考訳（メタデータ） (2023-01-27T18:59:25Z)
Rethinking Symbolic Regression Datasets and Benchmarks for Scientific Discovery [12.496525234064888]
本稿では,シンボリック回帰(SR)のデータセットと評価基準を再検討する。科学的発見のための象徴的回帰(SRSD)のパフォーマンスを議論するために120個のデータセットを再現する。
論文参考訳（メタデータ） (2022-06-21T17:15:45Z)
`Next Generation' Reservoir Computing: an Empirical Data-Driven Expression of Dynamical Equations in Time-Stepping Form [0.0]
非線形ベクトル自己回帰に基づく次世代貯水池計算を適用し, 単純な力学系モデルをエミュレートする。また、この手法はデータから直接高次数値スキームを生成するために拡張可能であることも示している。トレーニングセットにおけるノイズの存在と時間的空間性の影響について検討し, より現実的な応用のために本手法の可能性を評価する。
論文参考訳（メタデータ） (2022-01-13T20:13:33Z)
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)
A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
論文参考訳（メタデータ） (2020-11-30T21:47:38Z)
Exposing Shallow Heuristics of Relation Extraction Models with Challenge Data [49.378860065474875]
我々は、TACREDで訓練されたSOTA関係抽出(RE)モデルの故障モードを同定する。トレーニングの例として、いくつかの課題データを追加することで、モデルのパフォーマンスが向上する。
論文参考訳（メタデータ） (2020-10-07T21:17:25Z)
Closed Loop Neural-Symbolic Learning via Integrating Neural Perception, Grammar Parsing, and Symbolic Reasoning [134.77207192945053]
従来の手法は強化学習アプローチを用いてニューラルシンボリックモデルを学ぶ。我々は,脳神経知覚と記号的推論を橋渡しする前に,textbfgrammarモデルをテキストシンボリックとして導入する。本稿では,トップダウンのヒューマンライクな学習手順を模倣して誤りを伝播する新しいtextbfback-searchアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-11T17:42:49Z)

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。