論文の概要: Parsing the Language of Expression: Enhancing Symbolic Regression with Domain-Aware Symbolic Priors

• arxiv url: http://arxiv.org/abs/2503.09592v1
• Date: Wed, 12 Mar 2025 17:57:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:38:21.739315
• Title: Parsing the Language of Expression: Enhancing Symbolic Regression with Domain-Aware Symbolic Priors
• Title（参考訳）: 表現の言語をパーシングする:ドメイン対応の記号的先行詞による記号的回帰の促進
• Authors: Sikai Huang, Yixin Berry Wen, Tara Adusumilli, Kusum Choudhary, Haizhao Yang,
• Abstract要約: 本稿では,多様な科学領域のシンボル先行を統合した高度な記号回帰手法を提案する。 本稿では,これらのシンボルに先行する新しい木構造リカレントニューラルネットワーク(RNN)を提案する。 実験結果から,シンボル先行値の活用はシンボル回帰の性能を著しく向上させることが示された。
• 参考スコア（独自算出の注目度）: 4.904996012808334
• License:
• Abstract: Symbolic regression is essential for deriving interpretable expressions that elucidate complex phenomena by exposing the underlying mathematical and physical relationships in data. In this paper, we present an advanced symbolic regression method that integrates symbol priors from diverse scientific domains - including physics, biology, chemistry, and engineering - into the regression process. By systematically analyzing domain-specific expressions, we derive probability distributions of symbols to guide expression generation. We propose novel tree-structured recurrent neural networks (RNNs) that leverage these symbol priors, enabling domain knowledge to steer the learning process. Additionally, we introduce a hierarchical tree structure for representing expressions, where unary and binary operators are organized to facilitate more efficient learning. To further accelerate training, we compile characteristic expression blocks from each domain and include them in the operator dictionary, providing relevant building blocks. Experimental results demonstrate that leveraging symbol priors significantly enhances the performance of symbolic regression, resulting in faster convergence and higher accuracy.
• Abstract（参考訳）: 記号回帰は、データ中の数学的および物理的関係を明らかにすることによって、複雑な現象を解明する解釈可能な表現を導出するために不可欠である。 本稿では, 物理, 生物学, 化学, 工学など多種多様な科学分野のシンボル先行を回帰過程に統合する, 高度な記号回帰手法を提案する。 ドメイン固有表現を体系的に解析することにより、シンボルの確率分布を導出し、表現生成を導く。 本稿では,これらのシンボルを優先的に活用し,学習過程を制御できる新しい木構造リカレントニューラルネットワーク(RNN)を提案する。 さらに,表現表現のための階層木構造を導入し,より効率的な学習を容易にするために単項演算子と二項演算子を編成する。 さらに訓練を加速するため、各ドメインから特徴表現ブロックをコンパイルし、演算子辞書に含め、関連するビルディングブロックを提供する。 実験結果から,シンボル先行値の活用によりシンボル回帰性能が著しく向上し,より高速な収束と精度の向上が得られた。

関連論文リスト

• Systematic Abductive Reasoning via Diverse Relation Representations in Vector-symbolic Architecture [10.27696004820717]
  ベクトルシンボリックアーキテクチャ(VSA)における多様な関係表現(Rel-SAR)を持つ体系的帰納的推論モデルを提案する。 記号的推論ポテンシャルを持つ表現を導出するために、様々な種類の原子ベクトルが数値的、周期的、論理的意味論を表すだけでなく、構造化された高次元表現(S)も導入する。 体系的推論のために,これらの関係表現を統合する統一フレームワークにおいて,新しい数値および論理関数を提案し,規則の推論と一般化の実行を行う。
  論文  参考訳（メタデータ） (2025-01-21T05:17:08Z)
• Operator Feature Neural Network for Symbolic Regression [11.341249704023687]
  本稿では,演算子表現を用いた演算子特徴ニューラルネットワーク(OF-Net)を提案する。 演算子の特徴を数値損失に置き換えることで,対象表現の演算子の組み合わせを予測することができる。 提案手法を公開データセット上で評価した結果,より優れた回復率と高いR2$スコアが得られた。
  論文  参考訳（メタデータ） (2024-08-14T09:47:13Z)
• Discovering physical laws with parallel combinatorial tree search [57.05912962368898]
  記号回帰は、データから簡潔で解釈可能な数学的表現を発見する能力のおかげで、科学研究において重要な役割を果たす。 既存のアルゴリズムは10年以上にわたって精度と効率の重大なボトルネックに直面してきた。 制約データから汎用数学的表現を効率的に抽出する並列木探索(PCTS)モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-05T10:41:15Z)
• Neural Semantic Parsing with Extremely Rich Symbolic Meaning Representations [7.774674200374255]
  分類学的階層におけるその位置に基づく概念のための新しい構成記号表現を導入する。 この表現はよりリッチな意味情報を提供し、解釈可能性を高める。 実験結果から,より豊かで複雑な意味表現に基づいて訓練された分類モデルは,評価基準を用いて従来のモデルに若干従属するが,語彙外概念を扱う場合よりも優れることがわかった。
  論文  参考訳（メタデータ） (2024-04-19T08:06:01Z)
• 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)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• Controllable Neural Symbolic Regression [10.128755371375572]
  記号回帰では、数学的記号の最小使用量で実験データに適合する解析式を見つけることが目的である。 仮説付きニューラルシンボリック回帰(NSRwH)と呼ばれる新しいニューラルシンボリック回帰法を提案する。 実験により,提案した条件付き深層学習モデルは,精度で非条件付き学習モデル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） (2023-04-20T14:20:48Z)
• High-performance symbolic-numerics via multiple dispatch [52.77024349608834]
  Symbolics.jlは拡張可能なシンボルシステムで、動的多重ディスパッチを使用してドメインのニーズに応じて振る舞いを変更する。 実装に依存しないアクションでジェネリックapiを形式化することで、システムに最適化されたデータ構造を遡及的に追加できることを示します。 従来の用語書き換えシンプリファイアと電子グラフベースの用語書き換えシンプリファイアをスワップする機能を実証する。
  論文  参考訳（メタデータ） (2021-05-09T14:22:43Z)

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。