論文の概要: Vertical Symbolic Regression via Deep Policy Gradient
- arxiv url: http://arxiv.org/abs/2402.00254v1
- Date: Thu, 1 Feb 2024 00:54:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 17:02:10.543091
- Title: Vertical Symbolic Regression via Deep Policy Gradient
- Title（参考訳）: Deep Policy Gradientによる垂直記号回帰
- Authors: Nan Jiang, Md Nasim, Yexiang Xue
- Abstract要約: 我々は、Deep Policy Gradient (VSR-DPG) を用いた垂直記号回帰を提案する。
我々のVSR-DPGは、文法規則の繰り返し適用から方程式を構築する逐次決定過程としてシンボリック回帰をモデル化する。
- 参考スコア（独自算出の注目度）: 18.7083987727973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vertical Symbolic Regression (VSR) recently has been proposed to expedite the
discovery of symbolic equations with many independent variables from
experimental data. VSR reduces the search spaces following the vertical
discovery path by building from reduced-form equations involving a subset of
independent variables to full-fledged ones. Proved successful by many symbolic
regressors, deep neural networks are expected to further scale up VSR.
Nevertheless, directly combining VSR with deep neural networks will result in
difficulty in passing gradients and other engineering issues. We propose
Vertical Symbolic Regression using Deep Policy Gradient (VSR-DPG) and
demonstrate that VSR-DPG can recover ground-truth equations involving multiple
input variables, significantly beyond both deep reinforcement learning-based
approaches and previous VSR variants. Our VSR-DPG models symbolic regression as
a sequential decision-making process, in which equations are built from
repeated applications of grammar rules. The integrated deep model is trained to
maximize a policy gradient objective. Experimental results demonstrate that our
VSR-DPG significantly outperforms popular baselines in identifying both
algebraic equations and ordinary differential equations on a series of
benchmarks.
- Abstract（参考訳）: 垂直記号回帰(VSR)は、最近実験データから多くの独立変数を持つ記号方程式の発見を早めるために提案されている。
VSRは、独立変数のサブセットを含む縮小形式方程式から本格的な方程式へと構築することで、垂直発見経路に続く探索空間を縮小する。
多くのシンボリック回帰器が成功し、深層ニューラルネットワークはVSRをさらにスケールアップすることが期待されている。
それでも、vsrとディープニューラルネットワークを直接組み合わせると、勾配や他のエンジニアリング上の問題を渡すのが難しくなる。
本稿では,VSR-DPGを用いた垂直記号回帰法を提案し,VSR-DPGが複数の入力変数を含む基底構造方程式を復元可能であることを示す。
我々のVSR-DPGは、文法規則の繰り返し適用から方程式を構築する逐次決定過程としてシンボリック回帰をモデル化する。
統合深層モデルは、政策勾配目標を最大化するために訓練される。
実験の結果、VSR-DPGは、一連のベンチマーク上で代数方程式と常微分方程式の両方を識別する上で、人気ベースラインを著しく上回ることが示された。
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) - Anchor Data Augmentation [53.39044919864444]
非線形過パラメータ回帰におけるデータ拡張のための新しいアルゴリズムを提案する。
我々のデータ拡張アルゴリズムは、因果関係に関する文献から借用し、最近提案されたデータ拡張のためのアンカー回帰(AR)法を拡張した。
論文 参考訳（メタデータ） (2023-11-12T21:08:43Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Sufficient Dimension Reduction for High-Dimensional Regression and
Low-Dimensional Embedding: Tutorial and Survey [5.967999555890417]
本論文は,SDRのための各種手法に関するチュートリアルおよび調査論文である。
本稿では,これらの手法を,統計的高次元回帰的視点と,次元削減のための機械学習アプローチの両方でカバーする。
論文 参考訳（メタデータ） (2021-10-18T21:05:08Z) - A Cram\'er Distance perspective on Non-crossing Quantile Regression in
Distributional Reinforcement Learning [2.28438857884398]
QR-DQNのような量子ベースのメソッドは、任意の分布を階段分布のパラメトリックサブセットに投影する。
本研究では,不確実性に基づく探索戦略におけるQR-DQNの性能向上のために,量子化の単調性制約が示されていることを示す。
そこで我々は,新しいアルゴリズムを用いてクラム距離を計算し,優れたトレーニング性能を実現する,新しい非交差ニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-10-01T17:00:25Z) - LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single
Image Super-Resolution and Beyond [75.37541439447314]
単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。
本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
論文 参考訳（メタデータ） (2021-05-21T15:47:18Z) - Robust Kernel-based Distribution Regression [13.426195476348955]
2段階のサンプリングを含む分布回帰(DR)を研究し、ヒルベルト空間(RKHS)を再現するカーネル上での確率測度から実値応答への回帰を目指す。
2段階サンプリング問題に対するロバストロス関数$l_sigma$の導入により,新たなロバスト分布回帰(RDR)スキームを提案する。
論文 参考訳（メタデータ） (2021-04-21T17:03:46Z) - Fast OSCAR and OWL Regression via Safe Screening Rules [97.28167655721766]
順序付き$L_1$ (OWL)正規化回帰は、高次元スパース学習のための新しい回帰分析である。
近勾配法はOWL回帰を解くための標準手法として用いられる。
未知の順序構造を持つ原始解の順序を探索することにより、OWL回帰の最初の安全なスクリーニングルールを提案する。
論文 参考訳（メタデータ） (2020-06-29T23:35:53Z) - Sample-based Distributional Policy Gradient [14.498314462218394]
連続行動空間制御設定のためのサンプルベース分散ポリシー勾配(SDPG)アルゴリズムを提案する。
提案アルゴリズムは,多くのタスクに対して,より優れたサンプル効率と高い報酬を示す。
SDPGとD4PGを複数のOpenAI Gym環境に適用し、我々のアルゴリズムが多くのタスクに対してより優れたサンプル効率と高い報酬を示すことを観察する。
論文 参考訳（メタデータ） (2020-01-08T17:50:23Z)
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。