論文の概要: A Comparison of Recent Algorithms for Symbolic Regression to Genetic Programming

• arxiv url: http://arxiv.org/abs/2406.03585v1
• Date: Wed, 5 Jun 2024 19:01:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 19:14:47.856673
• Title: A Comparison of Recent Algorithms for Symbolic Regression to Genetic Programming
• Title（参考訳）: 遺伝的プログラミングへのシンボリック回帰のための最近のアルゴリズムの比較
• Authors: Yousef A. Radwan, Gabriel Kronberger, Stephan Winkler,
• Abstract要約: シンボリック回帰は、科学者が理解できる方法でデータをモデル化し、マッピングすることを目的としている。 最近の進歩は、これらの2つの分野のギャップを埋めようと試みている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Symbolic regression is a machine learning method with the goal to produce interpretable results. Unlike other machine learning methods such as, e.g. random forests or neural networks, which are opaque, symbolic regression aims to model and map data in a way that can be understood by scientists. Recent advancements, have attempted to bridge the gap between these two fields; new methodologies attempt to fuse the mapping power of neural networks and deep learning techniques with the explanatory power of symbolic regression. In this paper, we examine these new emerging systems and test the performance of an end-to-end transformer model for symbolic regression versus the reigning traditional methods based on genetic programming that have spearheaded symbolic regression throughout the years. We compare these systems on novel datasets to avoid bias to older methods who were improved on well-known benchmark datasets. Our results show that traditional GP methods as implemented e.g., by Operon still remain superior to two recently published symbolic regression methods.
• Abstract（参考訳）: 記号回帰は、解釈可能な結果を生成することを目標とする機械学習手法である。 例えばランダムな森やニューラルネットワークのような、不透明な他の機械学習手法とは異なり、象徴的回帰は、科学者が理解可能な方法でデータをモデル化し、マップすることを目的としている。 ニューラルネットのマッピング能力と深層学習技術とを、記号回帰の説明力で融合させようとする新しい手法である。 本稿では,これらの新しいシステムについて検討し,長年にわたってシンボルレグレッションを先導してきた遺伝的プログラミングに基づく従来の手法と比較して,エンド・ツー・エンドのトランスフォーマーモデルの性能を検証した。 我々は、これらのシステムを新しいデータセット上で比較し、よく知られたベンチマークデータセットで改善された古い手法のバイアスを避ける。 Operon が実装した従来の GP 法は,最近発表された2つのシンボル回帰法よりも依然として優れていることを示す。

関連論文リスト

• Unsupervised Learning of Invariance Transformations [105.54048699217668]
  近似グラフ自己同型を見つけるためのアルゴリズムフレームワークを開発する。 重み付きグラフにおける近似自己同型を見つけるために、このフレームワークをどのように利用できるかについて議論する。
  論文  参考訳（メタデータ） (2023-07-24T17:03:28Z)
• 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)
• Toward Physically Plausible Data-Driven Models: A Novel Neural Network Approach to Symbolic Regression [2.7071541526963805]
  本稿では,ニューラルネットワークに基づく記号回帰手法を提案する。 非常に小さなトレーニングデータセットとシステムに関する事前知識に基づいて、物理的に妥当なモデルを構築する。 本研究では,TurtleBot 2移動ロボット,磁気操作システム,2つの抵抗の等価抵抗,アンチロックブレーキシステムの長手力の4つの試験システムに対するアプローチを実験的に評価した。
  論文  参考訳（メタデータ） (2023-02-01T22:05:04Z)
• What learning algorithm is in-context learning? Investigations with linear models [87.91612418166464]
  本稿では,トランスフォーマーに基づくインコンテキスト学習者が標準学習アルゴリズムを暗黙的に実装する仮説について検討する。 訓練された文脈内学習者は、勾配降下、隆起回帰、および正確な最小二乗回帰によって計算された予測値と密に一致していることを示す。 文脈内学習者がこれらの予測器とアルゴリズム的特徴を共有するという予備的証拠。
  論文  参考訳（メタデータ） (2022-11-28T18:59:51Z)
• Interpretable Scientific Discovery with Symbolic Regression: A Review [8.414043731621419]
  記号回帰は、データから直接数学的表現を学ぶための有望な機械学習手法として現れつつある。 本調査では,シンボル回帰法について概観し,その強度と限界について考察する。
  論文  参考訳（メタデータ） (2022-11-20T05:12:39Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• A Reinforcement Learning Approach to Domain-Knowledge Inclusion Using Grammar Guided Symbolic Regression [0.0]
  強化型文法誘導記号回帰法(RBG2-SR)を提案する。 RBG2-SRは、文脈自由文法を強化作用空間として用いて、表現空間をドメイン知識で制約する。 提案手法は, ベンチマーク上の他の最先端手法と競合し, 最良のエラー・複雑性トレードオフを提供することを示す。
  論文  参考訳（メタデータ） (2022-02-09T10:13:14Z)
• Contemporary Symbolic Regression Methods and their Relative Performance [5.285811942108162]
  本研究では,252種類の回帰問題に対して,14のシンボル回帰法と7つの機械学習法を評価する。 実世界のデータセットでは、各手法が低いエラーと低い複雑さでモデルを学習する能力をベンチマークする。 合成問題に対して,様々なレベルのノイズが存在する場合に,各手法の正確な解を求める能力を評価する。
  論文  参考訳（メタデータ） (2021-07-29T22:12:59Z)
• Neural Symbolic Regression that Scales [58.45115548924735]
  本稿では,大規模事前学習を利用した最初の記号回帰手法を提案する。 我々は,非有界な方程式の集合を手続き的に生成し,同時にインプット・アウトプット・ペアの集合からシンボル方程式を予測するためにトランスフォーマーを事前訓練する。
  論文  参考訳（メタデータ） (2021-06-11T14:35:22Z)
• Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
  我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。 これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。 これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-14T00:53:03Z)
• Closed Loop Neural-Symbolic Learning via Integrating Neural Perception, Grammar Parsing, and Symbolic Reasoning [134.77207192945053]
  従来の手法は強化学習アプローチを用いてニューラルシンボリックモデルを学ぶ。 我々は,脳神経知覚と記号的推論を橋渡しする前に,textbfgrammarモデルをテキストシンボリックとして導入する。 本稿では,トップダウンのヒューマンライクな学習手順を模倣して誤りを伝播する新しいtextbfback-searchアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:42:49Z)

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。