論文の概要: Class Symbolic Regression: Gotta Fit 'Em All
- arxiv url: http://arxiv.org/abs/2312.01816v1
- Date: Mon, 4 Dec 2023 11:45:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 15:28:33.077733
- Title: Class Symbolic Regression: Gotta Fit 'Em All
- Title(参考訳): クラスシンボリック回帰:Gotta Fit 'Em All
- Authors: Wassim Tenachi, Rodrigo Ibata, Thibaut L. Fran\c{c}ois, Foivos I.
Diakogiannis
- Abstract要約: クラスシンボリック回帰(Class Symbolic Regression)は、複数のデータセットに正確に適合する単一の分析機能フォームを自動的に見つけるための最初のフレームワークである。
この階層的な枠組みは、単一の物理現象の全てのメンバーが共通の法則に従うという共通の制約を利用する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce "Class Symbolic Regression" a first framework for automatically
finding a single analytical functional form that accurately fits multiple
datasets - each governed by its own (possibly) unique set of fitting
parameters. This hierarchical framework leverages the common constraint that
all the members of a single class of physical phenomena follow a common
governing law. Our approach extends the capabilities of our earlier Physical
Symbolic Optimization ($\Phi$-SO) framework for Symbolic Regression, which
integrates dimensional analysis constraints and deep reinforcement learning for
symbolic analytical function discovery from data. We demonstrate the efficacy
of this novel approach by applying it to a panel of synthetic toy case datasets
and showcase its practical utility for astrophysics by successfully extracting
an analytic galaxy potential from a set of simulated orbits approximating
stellar streams.
- Abstract(参考訳): クラスシンボリック回帰(Class Symbolic Regression)は、複数のデータセットに正確に適合する単一の分析機能フォームを自動的に見つけるための、最初のフレームワークである。
この階層的な枠組みは、単一の物理現象の全てのメンバーが共通の法則に従うという共通の制約を利用する。
提案手法は, 次元解析制約と深部強化学習を統合して, データからの記号解析関数の発見を行う, 従来の物理記号最適化(Phi$-SO)フレームワークの能力を拡張する。
この手法の有効性を,合成玩具ケースデータセットのパネルに適用することにより実証し,恒星の流れを近似する一連のシミュレーション軌道から解析銀河ポテンシャルを抽出し,天体物理学の実用性を示す。
関連論文リスト
- Deep Generative Symbolic Regression [83.04219479605801]
記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。
既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。
本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
論文 参考訳(メタデータ) (2023-12-30T17:05:31Z) - Physical Symbolic Optimization [0.0]
本稿では, 次元解析の規則に従うために, 方程式の自動逐次生成を制約する枠組みを提案する。
我々のシンボリック回帰アルゴリズムは、変数と定数が既知の物理単位を持つ文脈において、最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-12-06T16:56:28Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Deep symbolic regression for physics guided by units constraints: toward
the automated discovery of physical laws [0.0]
シンボリック回帰(英: Symbolic Regression)は、データに適合する解析式を自動検索するアルゴリズムの研究である。
解析記号表現を物理データから復元するフレームワークである$Phi$-SOを提案する。
論文 参考訳(メタデータ) (2023-03-06T16:47:59Z) - Analytical Modelling of Exoplanet Transit Specroscopy with Dimensional
Analysis and Symbolic Regression [68.8204255655161]
ディープラーニング革命は、そのような分析結果を直接、データに適合するコンピュータアルゴリズムで導き出すための扉を開いた。
我々は、一般的なホットジュピター系外惑星の遷移半径の合成データにおける記号回帰の利用をうまく実証した。
前処理のステップとして,変数の無次元な組み合わせを特定するために次元解析を用いる。
論文 参考訳(メタデータ) (2021-12-22T00:52:56Z) - A Novel Approach to Topological Graph Theory with R-K Diagrams and
Gravitational Wave Analysis [0.0]
本稿では,グラフとトポロジカルデータ分析のスムーズな遷移のために,データポイント間のベクトル化関連を符号化する新しい手法を提案する。
このようなベクトル化された関連を、位相空間内のミクロ状態を表す単純複体に変換する効果的な方法が決定的に明らかにされる。
本手法の有効性と効果は,LIGO Open Science Centreが発行したLIGOデータセットから得られた重力波データの高次元的生測および導出測度について実験的に検証した。
論文 参考訳(メタデータ) (2021-12-14T17:18:53Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳(メタデータ) (2021-02-22T19:42:40Z) - Functional Space Analysis of Local GAN Convergence [26.985600125290908]
一般機能空間における対向訓練の局所的ダイナミクスについて検討する。
偏微分方程式の系としてどのように表現できるかを示す。
我々の視点では、GANの安定化によく使われる実践的なトリックについて、いくつかの洞察が得られている。
論文 参考訳(メタデータ) (2021-02-08T18:59:46Z) - OccamNet: A Fast Neural Model for Symbolic Regression at Scale [11.463756755780583]
OccamNetは、データに適合する解釈可能でコンパクトでスパースなシンボルを見つけるニューラルネットワークモデルである。
本モデルでは,効率的なサンプリングと関数評価を行い,関数上の確率分布を定義する。
解析的および非解析的関数、暗黙的関数、単純な画像分類など、様々な問題に対する記号的適合を識別することができる。
論文 参考訳(メタデータ) (2020-07-16T21:14:45Z)
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。