論文の概要: Enhancing Symbolic Regression with Quality-Diversity and Physics-Inspired Constraints
- arxiv url: http://arxiv.org/abs/2503.19043v1
- Date: Mon, 24 Mar 2025 18:13:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:50:02.805216
- Title: Enhancing Symbolic Regression with Quality-Diversity and Physics-Inspired Constraints
- Title(参考訳): 品質多様性と物理にインスパイアされた制約によるシンボリック回帰の強化
- Authors: J. -P. Bruneton,
- Abstract要約: 本稿では、遺伝的プログラミング(GP)、品質多様性(QD)アルゴリズム、次元解析(DA)エンジンを統合した高度なシンボル回帰(SR)システムQDSRを提案する。
提案手法は,Feynman-AIベンチマークを中心に,データセットからの既知の表現の正確なシンボリックリカバリに焦点を当てている。
この広く使われている117の物理方程式の集まりにおいて、QDSRは91.6$%の正確な回復率を達成し、以前のSR法を20パーセント以上上回っている。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: This paper presents QDSR, an advanced symbolic Regression (SR) system that integrates genetic programming (GP), a quality-diversity (QD) algorithm, and a dimensional analysis (DA) engine. Our method focuses on exact symbolic recovery of known expressions from datasets, with a particular emphasis on the Feynman-AI benchmark. On this widely used collection of 117 physics equations, QDSR achieves an exact recovery rate of 91.6~$\%$, surpassing all previous SR methods by over 20 percentage points. Our method also exhibits strong robustness to noise. Beyond QD and DA, this high success rate results from a profitable trade-off between vocabulary expressiveness and search space size: we show that significantly expanding the vocabulary with precomputed meaningful variables (e.g., dimensionless combinations and well-chosen scalar products) often reduces equation complexity, ultimately leading to better performance. Ablation studies will also show that QD alone already outperforms the state-of-the-art. This suggests that a simple integration of QD, by projecting individuals onto a QD grid, can significantly boost performance in existing algorithms, without requiring major system overhauls.
- Abstract(参考訳): 本稿では、遺伝的プログラミング(GP)、品質多様性(QD)アルゴリズム、次元解析(DA)エンジンを統合した高度なシンボル回帰(SR)システムQDSRを提案する。
提案手法は,Feynman-AIベンチマークを中心に,データセットからの既知の表現の正確なシンボリックリカバリに焦点を当てている。
この広く使われている117の物理方程式の集まりにおいて、QDSRは91.6~$\%$の正確な回復率を達成する。
また,本手法は騒音に対する強い強靭性を示す。
QD と DA 以外にも、この高い成功率は、語彙表現性と検索空間サイズの間の利益あるトレードオフから生じる。
アブレーション研究は、QDだけでは最先端技術よりも優れていることも示している。
これは、QDの単純な統合が、個人をQDグリッドに投影することで、大規模なシステムオーバーホールを必要とせずに、既存のアルゴリズムのパフォーマンスを大幅に向上させることができることを示唆している。
関連論文リスト
- SyMANTIC: An Efficient Symbolic Regression Method for Interpretable and Parsimonious Model Discovery in Science and Beyond [3.4191590966148824]
シンボリック回帰(SR)アルゴリズムであるSyMANTICを導入する。
Symanticは、多数の候補から低次元記述子を効率的に識別する。
我々はSyMANTICが既存のSR手法のコストのごく一部で類似またはより正確なモデルを明らかにすることを示す。
論文 参考訳(メタデータ) (2025-02-05T17:05:25Z) - Interactive Symbolic Regression through Offline Reinforcement Learning: A Co-Design Framework [11.804368618793273]
シンボリック回帰は、観測データから基礎となる数学的および物理的関係を明らかにする大きな可能性を秘めている。
現在の最先端のアプローチは、通常、ドメインエキスパートの事前知識の統合を考慮していない。
本稿では,大規模な記号回帰のための高度な対話型フレームワークであるSym-Qを提案する。
論文 参考訳(メタデータ) (2025-02-05T06:26:49Z) - Discovering physical laws with parallel combinatorial tree search [57.05912962368898]
記号回帰は、データから簡潔で解釈可能な数学的表現を発見する能力のおかげで、科学研究において重要な役割を果たす。
既存のアルゴリズムは10年以上にわたって精度と効率の重大なボトルネックに直面してきた。
制約データから汎用数学的表現を効率的に抽出する並列木探索(PCTS)モデルを提案する。
論文 参考訳(メタデータ) (2024-07-05T10:41:15Z) - Interactive Symbolic Regression through Offline Reinforcement Learning: A Co-Design Framework [11.804368618793273]
シンボリック回帰は、観測データから基礎となる数学的および物理的関係を明らかにする大きな可能性を秘めている。
現在の最先端のアプローチは、通常、ドメインエキスパートの事前知識の統合を考慮していない。
本稿では,大規模な記号回帰のための高度な対話型フレームワークであるSym-Qを提案する。
論文 参考訳(メタデータ) (2024-02-07T22:53:54Z) - SymbolNet: Neural Symbolic Regression with Adaptive Dynamic Pruning for Compression [1.0356366043809717]
モデル圧縮技術として特別に設計された記号回帰に対するニューラルネットワークアプローチである$ttSymbolNet$を提案する。
このフレームワークは、単一のトレーニングプロセスにおいてモデルウェイト、入力特徴、数学的演算子の動的プルーニングを可能にする。
論文 参考訳(メタデータ) (2024-01-18T12:51:38Z) - 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) - Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。
既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。
本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
論文 参考訳(メタデータ) (2023-11-20T08:27:56Z) - Understanding Augmentation-based Self-Supervised Representation Learning
via RKHS Approximation and Regression [53.15502562048627]
最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。
この研究は、増強に基づく事前訓練の統計的分析に発展する。
論文 参考訳(メタデータ) (2023-06-01T15:18:55Z) - Fully Quantized Image Super-Resolution Networks [81.75002888152159]
効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。
我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。
低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
論文 参考訳(メタデータ) (2020-11-29T03:53:49Z) - Variance Reduction for Deep Q-Learning using Stochastic Recursive
Gradient [51.880464915253924]
深層Q-ラーニングアルゴリズムは、過度な分散を伴う勾配推定に苦しむことが多い。
本稿では、SRG-DQNと呼ばれる新しいアルゴリズムを実現するため、深層Q-ラーニングにおける勾配推定を更新するためのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-25T00:54:20Z)
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。