論文の概要: Deep Symbolic Optimization: Reinforcement Learning for Symbolic Mathematics

• arxiv url: http://arxiv.org/abs/2505.10762v1
• Date: Fri, 16 May 2025 00:31:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:13.775203
• Title: Deep Symbolic Optimization: Reinforcement Learning for Symbolic Mathematics
• Title（参考訳）: Deep Symbolic Optimization: Reinforcement Learning for Symbolic Mathematics
• Authors: Conor F. Hayes, Felipe Leno Da Silva, Jiachen Yang, T. Nathan Mundhenk, Chak Shing Lee, Jacob F. Pettit, Claudio Santiago, Sookyung Kim, Joanne T. Kim, Ignacio Aravena Solis, Ruben Glatt, Andre R. Goncalves, Alexander Ladd, Ahmet Can Solak, Thomas Desautels, Daniel Faissol, Brenden K. Petersen, Mikel Landajuela,
• Abstract要約: ディープシンボリック最適化(Deep Symbolic Optimization, DSO)は、科学的な発見のためのシンボリック最適化を可能にする新しい計算フレームワークである。 1つの顕著な例は方程式発見であり、記号形式で表される数学的モデルを自動的に導出することを目的としている。 本章では、DSOフレームワークの概要を概観し、科学的な発見においてシンボル最適化を自動化するための変換可能性について説明する。
• 参考スコア（独自算出の注目度）: 43.622135148720886
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep Symbolic Optimization (DSO) is a novel computational framework that enables symbolic optimization for scientific discovery, particularly in applications involving the search for intricate symbolic structures. One notable example is equation discovery, which aims to automatically derive mathematical models expressed in symbolic form. In DSO, the discovery process is formulated as a sequential decision-making task. A generative neural network learns a probabilistic model over a vast space of candidate symbolic expressions, while reinforcement learning strategies guide the search toward the most promising regions. This approach integrates gradient-based optimization with evolutionary and local search techniques, and it incorporates in-situ constraints, domain-specific priors, and advanced policy optimization methods. The result is a robust framework capable of efficiently exploring extensive search spaces to identify interpretable and physically meaningful models. Extensive evaluations on benchmark problems have demonstrated that DSO achieves state-of-the-art performance in both accuracy and interpretability. In this chapter, we provide a comprehensive overview of the DSO framework and illustrate its transformative potential for automating symbolic optimization in scientific discovery.
• Abstract（参考訳）: ディープシンボル最適化(ディープシンボル最適化、Deep Symbolic Optimization、DSO)は、特に複雑なシンボル構造を探索するアプリケーションにおいて、科学的発見のためのシンボリック最適化を可能にする新しい計算フレームワークである。 1つの顕著な例は方程式発見であり、記号形式で表される数学的モデルを自動的に導出することを目的としている。 DSOでは、発見プロセスはシーケンシャルな意思決定タスクとして定式化される。 生成ニューラルネットワークは、候補記号表現の広大な空間上で確率モデルを学習し、強化学習戦略は最も有望な領域への探索を導く。 このアプローチは、勾配に基づく最適化と進化的および局所的な探索手法を統合し、その場制約、ドメイン固有の事前条件、高度なポリシー最適化手法を取り入れている。 その結果、解釈可能かつ物理的に意味のあるモデルを特定するために、広範囲の検索空間を効率的に探索できる堅牢なフレームワークが得られた。 ベンチマーク問題に対する広範囲な評価は、DSOが精度と解釈可能性の両方で最先端のパフォーマンスを達成することを示した。 本章では、DSOフレームワークの概要を概観し、科学的な発見においてシンボル最適化を自動化するための変換可能性について説明する。

関連論文リスト

• Equation discovery framework EPDE: Towards a better equation discovery [50.79602839359522]
  進化的最適化に基づく発見フレームワークであるEPDEアルゴリズムを強化する。 提案手法は基本関数や個人差分といった基本構造ブロックを用いて用語を生成する。 我々は,提案アルゴリズムの耐雑音性および全体的な性能を,最先端の方程式探索フレームワークであるSINDyの結果と比較することによって検証する。
  論文  参考訳（メタデータ） (2024-12-28T15:58:44Z)
• Deep Symbolic Optimization for Combinatorial Optimization: Accelerating Node Selection by Discovering Potential Heuristics [10.22111332588471]
  本稿では,その利点を生かした,新しい記号的最適化学習フレームワークを提案する。 Dso4NSは高次元離散記号空間内の数学的表現の探索をガイドし、最高性能の数学的表現を解法に組み込む。 実験では、Dso4NSが高品質な表現の学習に有効であることを示し、CPUマシンにおける既存のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-14T06:02:14Z)
• Generalizing the SINDy approach with nested neural networks [0.0]
  Nested SINDyはSINDyフレームワーク上に構築されており、コアSINDyレイヤの前後に追加レイヤを導入する。 我々は,Nested SINDyアプローチを用いて,単純なシステムに対する記号表現を正確に検出し,より複雑なシステムに対するスパースな解析的表現を提示する。
  論文  参考訳（メタデータ） (2024-04-24T09:01:50Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [47.30190559449236]
  NSF-SRLと呼ばれる統計的関係学習に基づくニューラルシンボリック・フレームワークを提案する。 シンボリック推論の結果は、深層学習モデルによる予測の洗練と修正に利用され、深層学習モデルはシンボリック推論プロセスの効率を高める。 我々は、このアプローチがニューラルシンボリックシステムの新しい標準となり、汎用人工知能の分野における将来の研究を促進すると信じている。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Goal Agnostic Planning using Maximum Likelihood Paths in Hypergraph World Models [1.370633147306388]
  本稿では,ハイパーグラフに基づく機械学習アルゴリズム,データ構造駆動型メンテナンス手法,およびDijkstraのアルゴリズムの確率的応用に基づく計画アルゴリズムを提案する。 このアルゴリズムが問題空間内の最適解を決定すること、数学的に有界な学習性能を証明し、時間を通してシステム状態の進行を解析する数学的モデルを提供する。
  論文  参考訳（メタデータ） (2021-10-18T16:22:33Z)
• 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)

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。