論文の概要: Probabilistic Regular Tree Priors for Scientific Symbolic Reasoning
- arxiv url: http://arxiv.org/abs/2306.08506v2
- Date: Mon, 10 Jun 2024 04:39:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 05:38:48.693928
- Title: Probabilistic Regular Tree Priors for Scientific Symbolic Reasoning
- Title(参考訳): 科学的シンボリック推論に先立つ確率的正則木
- Authors: Tim Schneider, Amin Totounferoush, Wolfgang Nowak, Steffen Staab,
- Abstract要約: シンボリック回帰は、データから科学方程式を発見できる。
構文的に正しい方程式の集合を表現するのに必要な文脈自由文法と後者の木構造との間にはミスマッチがある。
我々の貢献は、(i)確率正則木表現(pRTE)と(ii)ベイズ推定によりどの方程式が予想されるかという専門家の事前の信念をコンパクトに表現し、そのような前提を有限状態機械として符号化された記号的回帰のために効率的に利用できるようにすることである。
- 参考スコア(独自算出の注目度): 12.369006238950092
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symbolic Regression (SR) allows for the discovery of scientific equations from data. To limit the large search space of possible equations, prior knowledge has been expressed in terms of formal grammars that characterize subsets of arbitrary strings. However, there is a mismatch between context-free grammars required to express the set of syntactically correct equations, missing closure properties of the former, and a tree structure of the latter. Our contributions are to (i) compactly express experts' prior beliefs about which equations are more likely to be expected by probabilistic Regular Tree Expressions (pRTE), and (ii) adapt Bayesian inference to make such priors efficiently available for symbolic regression encoded as finite state machines. Our scientific case studies show its effectiveness in soil science to find sorption isotherms and for modeling hyper-elastic materials.
- Abstract(参考訳): シンボリック回帰(SR)は、データから科学方程式を発見できる。
可能な方程式の大きな探索空間を制限するため、任意の文字列の部分集合を特徴づける形式文法の用語で事前知識が表現されている。
しかし、構文的に正しい方程式の集合を表現するのに必要な文脈自由文法、前者の閉包特性の欠如、後者のツリー構造の間にはミスマッチがある。
私たちの貢献は
(i)確率正規木表現(pRTE)によりどの方程式が予想されるかという専門家の事前の信念をコンパクトに表現し、
(II) 有限状態機械として符号化された記号的回帰に対して、そのような前提を効率的に利用できるようにベイズ推定を適用する。
本研究は土壌科学における吸着等温線の検出と超弾性材料のモデル化に有効であることを示す。
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) - 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) - 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) - 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) - 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) - DISCOVER: Deep identification of symbolic open-form PDEs via enhanced
reinforcement-learning [0.5156484100374059]
複素自然系の作用機構は、簡潔かつ深い偏微分方程式(PDE)によって吸収される傾向がある
本稿では,事前知識の少ない記号型オープンフォームPDEを明らかにするために,強化された強化強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-04T15:46:53Z) - Complex Event Forecasting with Prediction Suffix Trees: Extended
Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。
このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。
複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-01T09:52:31Z) - A Study of Continuous Vector Representationsfor Theorem Proving [2.0518509649405106]
我々は,論理特性の保存と可逆性を考慮したエンコードを開発した。
これは、すべての記号を含む公式のツリー形状が密度ベクトル表現から再構築できることを意味する。
これらの構文的および意味的特性のトレーニングに使用できるデータセットを提案する。
論文 参考訳(メタデータ) (2021-01-22T15:04:54Z) - 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) - Invariant Rationalization [84.1861516092232]
典型的な合理化基準、すなわち最大相互情報(MMI)は、合理性のみに基づいて予測性能を最大化する合理性を見つける。
ゲーム理論の不変な有理化基準を導入し、各環境において同じ予測器を最適にするために、有理を制約する。
理論的にも実証的にも、提案された理性は、素早い相関を除外し、異なるテストシナリオをより一般化し、人間の判断とよく一致させることができることを示す。
論文 参考訳(メタデータ) (2020-03-22T00:50:27Z)
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。