論文の概要: Noise-Resilient Symbolic Regression with Dynamic Gating Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2501.01085v1
• Date: Thu, 02 Jan 2025 06:05:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:12:57.776163
• Title: Noise-Resilient Symbolic Regression with Dynamic Gating Reinforcement Learning
• Title（参考訳）: 動的ゲーティング強化学習による耐雑音性シンボリック回帰
• Authors: Chenglu Sun, Shuo Shen, Wenzhi Tao, Deyi Xue, Zixia Zhou,
• Abstract要約: シンボリック回帰は、データ内の本質的な情報を明らかにするための重要な手法として登場した。 現在の最先端(ソータ)SR法は,高雑音データからシンボル表現の正確な復元に苦慮している。 本稿では,高雑音データから表現を復元できる新しい雑音耐性SR法を提案する。
• 参考スコア（独自算出の注目度）: 2.052874815811944
• License:
• Abstract: Symbolic regression (SR) has emerged as a pivotal technique for uncovering the intrinsic information within data and enhancing the interpretability of AI models. However, current state-of-the-art (sota) SR methods struggle to perform correct recovery of symbolic expressions from high-noise data. To address this issue, we introduce a novel noise-resilient SR (NRSR) method capable of recovering expressions from high-noise data. Our method leverages a novel reinforcement learning (RL) approach in conjunction with a designed noise-resilient gating module (NGM) to learn symbolic selection policies. The gating module can dynamically filter the meaningless information from high-noise data, thereby demonstrating a high noise-resilient capability for the SR process. And we also design a mixed path entropy (MPE) bonus term in the RL process to increase the exploration capabilities of the policy. Experimental results demonstrate that our method significantly outperforms several popular baselines on benchmarks with high-noise data. Furthermore, our method also can achieve sota performance on benchmarks with clean data, showcasing its robustness and efficacy in SR tasks.
• Abstract（参考訳）: シンボリックレグレッション(SR)は、データ内の本質的な情報を発見し、AIモデルの解釈可能性を高めるための重要な手法として登場した。 しかし、現在の最先端(ソータ)SR法は、高雑音データからシンボル表現の正確な回復を行うのに苦労している。 この問題に対処するために,高雑音データから表現を復元できる新しいノイズ耐性SR(NRSR)手法を提案する。 提案手法は,設計した雑音耐性ゲーティングモジュール(NGM)と組み合わせて,新しい強化学習(RL)手法を用いて,記号選択ポリシーを学習する。 ゲーティングモジュールは、高ノイズデータから無意味情報を動的にフィルタリングすることができ、SRプロセスに高い耐雑音性を示す。 また,RLプロセスにおけるMPE(Mixed Path Entropy)ボーナス項を設計し,政策の探索能力を向上させる。 実験結果から,本手法は高雑音データを用いたベンチマークにおいて,いくつかの一般的なベースラインを著しく上回ることがわかった。 さらに, クリーンデータを用いたベンチマークでソタ性能を向上し, SRタスクの堅牢性と有効性を示す。

関連論文リスト

• Meta-INR: Efficient Encoding of Volumetric Data via Meta-Learning Implicit Neural Representation [4.782024723712711]
  Inlicit Neural representation (INR)は、ボリュームデータを符号化するための有望なソリューションとして登場した。 メタ学習アルゴリズムを用いて,データセットの部分的な観察から初期INRパラメータを学習するための事前学習戦略であるMeta-INRを提案する。 我々は,Meta-INRが,様々なデータセットにまたがる類似ボリュームデータをエンコードする上で有効な,高品質な一般化可能な特徴を効果的に抽出できることを実証した。
  論文  参考訳（メタデータ） (2025-02-12T21:54:22Z)
• Complexity-Aware Deep Symbolic Regression with Robust Risk-Seeking Policy Gradients [20.941908494137806]
  本稿では,データ駆動型数式発見の堅牢性と解釈可能性を高めるための,新しい記号回帰手法を提案する。 DSRは最先端の手法であるDSRの成功にもかかわらず、リカレントニューラルネットワーク上に構築されており、純粋にデータ適合性によってガイドされている。 学習性能を向上させるために,トランスフォーマーとブロードスファーストサーチを併用した。
  論文  参考訳（メタデータ） (2024-06-10T19:29:10Z)
• Enhancing Noise Robustness of Retrieval-Augmented Language Models with Adaptive Adversarial Training [39.21885486667879]
  大型言語モデル(LLM)は、幻覚、時代遅れの知識、追跡不能な推論プロセスなどの課題に遭遇する重大な能力を示す。 Retrieval-augmented Generation(RAG)は、これらの課題を軽減するために、外部データベースからの知識を統合する、有望なソリューションとして登場した。 本稿では,RAAT(Retrieval-augmented Adaptive Adrial Training)として知られる新しいRAGアプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-31T16:24:53Z)
• Inference Stage Denoising for Undersampled MRI Reconstruction [13.8086726938161]
  磁気共鳴画像(MRI)データの再構成は、ディープラーニングによって肯定的な影響を受けている。 重要な課題は、トレーニングとテストデータ間の分散シフトへの一般化を改善することだ。
  論文  参考訳（メタデータ） (2024-02-12T12:50:10Z)
• Robust Meta-learning with Sampling Noise and Label Noise via Eigen-Reptile [78.1212767880785]
  Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。 ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。 本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T08:48:02Z)
• Improving Noise Robustness of Contrastive Speech Representation Learning with Speech Reconstruction [109.44933866397123]
  実環境における音声認識システムの実現には,雑音の堅牢性が不可欠である。 雑音認識のための自己教師型フレームワークにより学習したノイズロスト表現を用いる。 ラベル付きデータのわずか16%で報告された最高の教師付きアプローチに匹敵するパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2021-10-28T20:39:02Z)
• Dynamic Bottleneck for Robust Self-Supervised Exploration [84.78836146128236]
  本稿では,インフォメーション・ボトルネックの原理に基づく動的関連表現を実現する動的ボトルネック(DB)モデルを提案する。 さらに,DBモデルに基づくDB-bonusを提案する。 実験の結果,DBボーナスによる探索は,ノイズの多い環境での最先端の探査方法よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-20T19:17:05Z)
• IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
  少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。 行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。 本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
  論文  参考訳（メタデータ） (2021-06-23T03:43:10Z)
• SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
  SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。 我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。 アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
  論文  参考訳（メタデータ） (2020-06-12T10:40:46Z)
• Memory Augmented Neural Model for Incremental Session-based Recommendation [36.33193124174747]
  インクリメンタルセッションベースのレコメンデーションシナリオでは,既存のニューラルレコメンデータが使用できることを示す。 メモリ拡張ニューラルモデル(MAN)と呼ばれる一般的なフレームワークを提案する。 MANは、継続的にクエリされ更新された非パラメトリックメモリでベース神経レコメンデータを強化する。
  論文  参考訳（メタデータ） (2020-04-28T19:07:20Z)
• Improving noise robust automatic speech recognition with single-channel time-domain enhancement network [100.1041336974175]
  単一チャネルの時間領域分割手法により,ASRの性能が大幅に向上することを示す。 単一チャネル雑音の低減はASR性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-03-09T09:36:31Z)

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。