論文の概要: ParFam -- Symbolic Regression Based on Continuous Global Optimization
- arxiv url: http://arxiv.org/abs/2310.05537v2
- Date: Tue, 10 Oct 2023 11:12:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 06:39:37.134390
- Title: ParFam -- Symbolic Regression Based on Continuous Global Optimization
- Title(参考訳): parfam --連続的グローバル最適化に基づく記号回帰
- Authors: Philipp Scholl, Katharina Bieker, Hillary Hauger, Gitta Kutyniok
- Abstract要約: 本稿では,離散的記号回帰問題を連続的な問題に変換するためにParFamを提案する。
強力なグローバルアプローチと組み合わせることで、この手法はシンボリック回帰の問題に取り組む効果的な方法である。
SRベンチマークのSRBenchに基づく数値実験によりParFamの性能を実証する。
- 参考スコア(独自算出の注目度): 15.454555090287922
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The problem of symbolic regression (SR) arises in many different
applications, such as identifying physical laws or deriving mathematical
equations describing the behavior of financial markets from given data. Various
methods exist to address the problem of SR, often based on genetic programming.
However, these methods are usually quite complicated and require a lot of
hyperparameter tuning and computational resources. In this paper, we present
our new method ParFam that utilizes parametric families of suitable symbolic
functions to translate the discrete symbolic regression problem into a
continuous one, resulting in a more straightforward setup compared to current
state-of-the-art methods. In combination with a powerful global optimizer, this
approach results in an effective method to tackle the problem of SR.
Furthermore, it can be easily extended to more advanced algorithms, e.g., by
adding a deep neural network to find good-fitting parametric families. We prove
the performance of ParFam with extensive numerical experiments based on the
common SR benchmark suit SRBench, showing that we achieve state-of-the-art
results. Our code and results can be found at
https://github.com/Philipp238/parfam .
- Abstract(参考訳): 記号回帰(SR)の問題は、物理法則の特定や、与えられたデータから金融市場の振舞いを記述する数学的方程式の導出など、多くの異なる応用で生じる。
SRの問題に対処する様々な方法があり、しばしば遺伝的プログラミングに基づいている。
しかし、これらの手法は通常非常に複雑であり、多くのハイパーパラメータチューニングと計算資源を必要とする。
本稿では, 離散的記号回帰問題を連続的に解くために, 適切な記号関数のパラメトリック族を利用する新しい手法parfamを提案する。
強力なグローバルオプティマイザと組み合わせることで、このアプローチはsrの問題に取り組む効果的な方法をもたらす。
さらに、例えば、優れたパラメトリックファミリーを見つけるためにディープニューラルネットワークを追加することで、より高度なアルゴリズムに容易に拡張できる。
本稿では,SRベンチマークのSRBenchに基づく広範な数値実験によりParFamの性能を実証し,その結果を得た。
私たちのコードと結果はhttps://github.com/Philipp238/parfam で確認できます。
関連論文リスト
- A Functional Analysis Approach to Symbolic Regression [0.990319860068191]
記号回帰(SR)はランダム化探索において重要な課題である。
伝統的な遺伝的プログラミング(GP)アルゴリズムは、SRに木に基づく表現を用いる場合、限られた性能を示す。
機能解析から洞察を引き出す新しいSR手法を提案する。
論文 参考訳(メタデータ) (2024-02-09T10:24:47Z) - SymbolNet: Neural Symbolic Regression with Adaptive Dynamic Pruning [1.1313585906598267]
モデル重み,入力特徴,数学的演算子を1つのトレーニングで動的に刈り取ることができる新しいフレームワークにおいて,記号回帰に対するニューラルネットワークアプローチを提案する。
LHCジェットタグ処理におけるモデルの有効性を実証するため,O$以上の入力を持つデータセットを効率的に処理できない既存のシンボリックレグレッション手法のほとんどとは対照的に,本モデルの有効性を実証する。
論文 参考訳(メタデータ) (2024-01-18T12:51:38Z) - Deep Generative Symbolic Regression [83.04219479605801]
記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。
既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。
本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
論文 参考訳(メタデータ) (2023-12-30T17:05:31Z) - GFN-SR: Symbolic Regression with Generative Flow Networks [0.9208007322096533]
近年,DSR(Deep symbolic regression)がこの分野の一般的な手法として登場している。
ディープラーニングを用いてSRにアプローチするための代替フレームワーク(GFN-SR)を提案する。
GFN-SRは多種多様な最適表現を生成することができる。
論文 参考訳(メタデータ) (2023-12-01T07:38:05Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳(メタデータ) (2023-10-08T23:39:38Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - The Dynamics of Riemannian Robbins-Monro Algorithms [101.29301565229265]
本稿では,Robins と Monro のセミナル近似フレームワークを一般化し拡張するリーマンアルゴリズムの族を提案する。
ユークリッドのそれと比較すると、リーマンのアルゴリズムは多様体上の大域線型構造が欠如しているため、はるかに理解されていない。
ユークリッド・ロビンス=モンロスキームの既存の理論を反映し拡張するほぼ確実な収束結果の一般的なテンプレートを提供する。
論文 参考訳(メタデータ) (2022-06-14T12:30:11Z) - GSR: A Generalized Symbolic Regression Approach [13.606672419862047]
本論文では, 一般化記号回帰について述べる。
GSR法は、よく知られたシンボリック回帰ベンチマーク問題セットにおいて、最先端のいくつかの手法よりも優れていることを示す。
既存のベンチマークと比較して、より困難な新しいSRベンチマークセットであるSymSetを導入することで、GSRの強みを強調します。
論文 参考訳(メタデータ) (2022-05-31T07:20:17Z) - Efficient semidefinite-programming-based inference for binary and
multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。
一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文 参考訳(メタデータ) (2020-12-04T15:36:29Z) - Symbolic Regression using Mixed-Integer Nonlinear Optimization [9.638685454900047]
シンボリック回帰(SR)問題は、機械学習において難しい問題である。
混合整数非線形最適化と明示列挙法を組み合わせたハイブリッドアルゴリズムを提案する。
我々のアルゴリズムは、いくつかの合成データセットに対して、最先端のSRソフトウェアと最近の物理学に触発されたAI Feynmanという手法で競合していることを示す。
論文 参考訳(メタデータ) (2020-06-11T20:53:17Z)
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。