論文の概要: SPINEX_ Symbolic Regression: Similarity-based Symbolic Regression with Explainable Neighbors Exploration

• arxiv url: http://arxiv.org/abs/2411.03358v1
• Date: Tue, 05 Nov 2024 00:09:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:22:27.897232
• Title: SPINEX_ Symbolic Regression: Similarity-based Symbolic Regression with Explainable Neighbors Exploration
• Title（参考訳）: SPINEX_ シンボリック回帰:類似性に基づくシンボリック回帰と説明可能な近傍探索
• Authors: MZ Naser, Ahmed Z Naser,
• Abstract要約: 本稿では,SPINEX(Similarity-based Predictions with Explainable Neighbors Exploration)ファミリに基づく新しいシンボリック回帰アルゴリズムを提案する。 精度と構造的類似度を満足する高マート表現を識別するために、類似性に基づくアプローチを採用する。 一貫してパフォーマンスが良く、場合によってはリードアルゴリズムよりも優れています。
• 参考スコア（独自算出の注目度）: 3.2432648012273346
• License:
• Abstract: This article introduces a new symbolic regression algorithm based on the SPINEX (Similarity-based Predictions with Explainable Neighbors Exploration) family. This new algorithm (SPINEX_SymbolicRegression) adopts a similarity-based approach to identifying high-merit expressions that satisfy accuracy- and structural similarity metrics. We conducted extensive benchmarking tests comparing SPINEX_SymbolicRegression to over 180 mathematical benchmarking functions from international problem sets that span randomly generated expressions and those based on real physical phenomena. Then, we evaluated the performance of the proposed algorithm in terms of accuracy, expression similarity in terms of presence operators and variables (as compared to the actual expressions), population size, and number of generations at convergence. The results indicate that SPINEX_SymbolicRegression consistently performs well and can, in some instances, outperform leading algorithms. In addition, the algorithm's explainability capabilities are highlighted through in-depth experiments.
• Abstract（参考訳）: 本稿では,SPINEX(Similarity-based Predictions with Explainable Neighbors Exploration)ファミリに基づく新しいシンボリック回帰アルゴリズムを提案する。 この新しいアルゴリズム(SPINEX_SymbolicRegression)は、精度と構造的類似度を満足するハイメリット表現を識別する類似性に基づくアプローチを採用する。 我々はSPINEX_SymbolicRegressionを、ランダムに生成された表現と実際の物理現象に基づく国際問題集合から180以上の数学的ベンチマーク関数と比較した広範囲なベンチマーク試験を行った。 そこで,提案アルゴリズムの精度,存在演算子と変数の表現類似度(実数式と比較して),個体数,収束時の世代数について評価した。 結果から,SPINEX_SymbolicRegressionは一貫して良好に動作し,いくつかの場合において,先行アルゴリズムよりも優れていたことが示唆された。 さらに、アルゴリズムの説明可能性の能力は、詳細な実験を通して強調される。

関連論文リスト

• SPINEX-TimeSeries: Similarity-based Predictions with Explainable Neighbors Exploration for Time Series and Forecasting Problems [3.2432648012273346]
  本稿では,時系列と予測解析に特化したSPINEXファミリーを新たに導入する。 総合的なベンチマーク実験を行い、18のアルゴリズムと49の合成データセットと実データセットを比較した。 以上の結果から,SPINEXは精度の予測において常に上位5人のパフォーマーにランクされ,複雑な時間的ダイナミクスを扱う能力に優れていた。
  論文  参考訳（メタデータ） (2024-08-04T22:26:34Z)
• SPINEX-Clustering: Similarity-based Predictions with Explainable Neighbors Exploration for Clustering Problems [3.2432648012273346]
  本稿ではSPINEXアルゴリズムファミリからの新しいクラスタリングアルゴリズムを提案する。 新たに提案されたクラスタリング変種は、複数のサブスペースにまたがる類似性と高次相互作用の概念を活用して、データをクラスタにグループ化する。 以上の結果から,SPINEXのクラスタリングアルゴリズムは,上位5位以内のクラスタリングアルゴリズムより優れ,難易度が高いことが示唆された。
  論文  参考訳（メタデータ） (2024-07-09T20:38:01Z)
• SPINEX: Similarity-based Predictions with Explainable Neighbors Exploration for Anomaly and Outlier Detection [3.2432648012273346]
  本稿ではSPINEXファミリーの異常・異常検出アルゴリズムを提案する。 複数の部分空間にまたがる類似性や高次相互作用の概念を活用して、外接点を同定する。 SPINEXの性能を評価するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-07-05T17:42:09Z)
• The Inefficiency of Genetic Programming for Symbolic Regression -- Extended Version [0.0]
  我々は,遺伝的プログラミングの探索挙動を,実用上は関係するが限定的な状況下での象徴的回帰のために分析する。 これにより、最良の表現を見つける成功確率を定量化できる。 遺伝的プログラミングの探索効率を意味的一意表現の空間におけるランダム探索と比較する。
  論文  参考訳（メタデータ） (2024-04-26T09:49:32Z)
• Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
  我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。 実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
  論文  参考訳（メタデータ） (2023-11-05T12:03:58Z)
• Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
  冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。 既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。 実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
  論文  参考訳（メタデータ） (2023-11-02T06:09:24Z)
• SPINEX: Similarity-based Predictions and Explainable Neighbors Exploration for Regression and Classification Tasks in Machine Learning [1.5469452301122175]
  本稿では,新しい類似性に基づく解釈可能な近傍探索アルゴリズムであるSPINEXを提案する。 アンサンブル学習と機能相互作用分析を組み合わせて、正確な予測と意味のある洞察を達成する。 その結果、SPINEXは比較性能を達成でき、いくつかのシナリオでは、一般的に採用されているMLアルゴリズムよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:40:56Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• Convergence of Meta-Learning with Task-Specific Adaptation over Partial Parameters [152.03852111442114]
  モデルに依存しないメタラーニング(MAML)は非常に成功したアルゴリズムメタラーニングの実践であるが、高い計算複雑性を持つ。 本稿では,その複雑さがANILの全体的な収束性能に大きく影響することを示す。
  論文  参考訳（メタデータ） (2020-06-16T19:57:48Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。