論文の概要: GFN-SR: Symbolic Regression with Generative Flow Networks

• arxiv url: http://arxiv.org/abs/2312.00396v1
• Date: Fri, 1 Dec 2023 07:38:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-04 15:15:19.924525
• Title: GFN-SR: Symbolic Regression with Generative Flow Networks
• Title（参考訳）: GFN-SR: 生成フローネットワークによるシンボリック回帰
• Authors: Sida Li, Ioana Marinescu, Sebastian Musslick
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Symbolic regression (SR) is an area of interpretable machine learning that aims to identify mathematical expressions, often composed of simple functions, that best fit in a given set of covariates $X$ and response $y$. In recent years, deep symbolic regression (DSR) has emerged as a popular method in the field by leveraging deep reinforcement learning to solve the complicated combinatorial search problem. In this work, we propose an alternative framework (GFN-SR) to approach SR with deep learning. We model the construction of an expression tree as traversing through a directed acyclic graph (DAG) so that GFlowNet can learn a stochastic policy to generate such trees sequentially. Enhanced with an adaptive reward baseline, our method is capable of generating a diverse set of best-fitting expressions. Notably, we observe that GFN-SR outperforms other SR algorithms in noisy data regimes, owing to its ability to learn a distribution of rewards over a space of candidate solutions.
• Abstract（参考訳）: シンボリック回帰 (sr) は解釈可能な機械学習の一分野であり、しばしば単純な関数からなる数学的表現を識別することを目的としており、与えられた共変量 x$ と応答 $y$ のセットに最も適している。 近年,複雑な組合せ探索問題の解法として,深層強化学習を応用した深部記号回帰法(deep symbolic regression:dsr)が普及している。 本研究では、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。 我々は,表現木の構築を,有向非巡回グラフ (DAG) を経由したトラバースとしてモデル化し,GFlowNet がそのような木を逐次生成するための確率的ポリシーを学習できるようにする。 本手法は適応型報酬ベースラインで強化され,最適な表現の多様なセットを生成することができる。 特に、GFN-SRは、候補解空間上の報酬分布を学習する能力のため、ノイズの多いデータ構造において他のSRアルゴリズムよりも優れています。

関連論文リスト

• ISR: Invertible Symbolic Regression [7.499800486499609]
  Invertible Symbolic Regression(インバーティブル・シンボリック・レグレッション・レグレッション)は、あるデータセットの入力と出力の間の分析的関係を生成する機械学習技術である。 INNのアフィン結合ブロックをシンボリック・フレームワークに変換し、エンドツーエンドで微分可能なシンボリック・インバータブル・アーキテクチャを実現する。 ISRは密度推定タスクの(象徴的な)正規化フローとして機能することを示す。
  論文  参考訳（メタデータ） (2024-05-10T23:20:46Z)
• Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
  我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。 最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-02T01:36:13Z)
• 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)
• ParFam -- (Neural Guided) Symbolic Regression Based on Continuous Global Optimization [14.146976111782466]
  我々は、離散的記号回帰問題を連続的な問題に変換するために、新しいアプローチであるParFamを提案する。 グローバルな手法と組み合わせることで、SRの問題に対処する非常に効果的な手法がもたらされる。 また、ParFamをガイドするために、事前訓練されたトランスフォーマーネットワークDL-ParFamを組み込んだ拡張も提案する。
  論文  参考訳（メタデータ） (2023-10-09T09:01:25Z)
• Stochastic Unrolled Federated Learning [85.6993263983062]
  本稿では,UnRolled Federated Learning (SURF)を導入する。 提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
  論文  参考訳（メタデータ） (2023-05-24T17:26:22Z)
• Deep Generative Symbolic Regression with Monte-Carlo-Tree-Search [29.392036559507755]
  記号回帰は数値データから記号表現を学習する問題である。 手続き的に生成した合成データセットに基づいてトレーニングされたディープニューラルモデルは、競合性能を示した。 そこで本研究では,モンテカルロ木探索手法に基づいて,両世界の長所を提供する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T09:10:20Z)
• Efficient Generator of Mathematical Expressions for Symbolic Regression [0.0]
  本稿では,階層構造を生成するための新しい変分オートエンコーダに基づくシンボリックレグレッション手法を提案する。 HVAEは、数学的表現の小さなコーパスで効率的に訓練することができ、スムーズな低次元潜在空間に正確に表現をエンコードすることができる。 最後に、HVAEの潜在空間に進化的アルゴリズムを適用するEDHiEシステムは、ディープラーニングと進化的アルゴリズムの類似した組み合わせに基づく最先端のシステムよりも、標準的な記号的回帰ベンチマークから方程式を再構築する。
  論文  参考訳（メタデータ） (2023-02-20T10:40:29Z)
• 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)
• Hierarchical Sketch Induction for Paraphrase Generation [79.87892048285819]
  本稿では、高密度符号化の分解を学習するHRQ-VAE(Hierarchical Refinement Quantized Variational Autoencoders)を紹介する。 HRQ-VAEを用いて、入力文の構文形式を階層化の経路としてエンコードすることで、テスト時の構文スケッチをより容易に予測できる。
  論文  参考訳（メタデータ） (2022-03-07T15:28:36Z)
• DASHA: Distributed Nonconvex Optimization with Communication Compression, Optimal Oracle Complexity, and No Client Synchronization [77.34726150561087]
  我々は,分散最適化問題に対する新しい手法であるDASHAを開発し,解析する。 MARINAとは異なり、新しいDASHAとDASHA-MVRは圧縮ベクターのみを送信し、ノードを同期しないため、学習をより実用的なものにしている。
  論文  参考訳（メタデータ） (2022-02-02T20:10:40Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)

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。