論文の概要: Symbolic Foundation Regressor on Complex Networks

• arxiv url: http://arxiv.org/abs/2505.21879v1
• Date: Wed, 28 May 2025 01:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.359672
• Title: Symbolic Foundation Regressor on Complex Networks
• Title（参考訳）: 複合ネットワークにおけるシンボリックファンデーションレグレクタ
• Authors: Weiting Liu, Jiaxu Cui, Jiao Hu, En Wang, Bo Yang,
• Abstract要約: 我々は,多数の相互作用変数で複雑なデータを圧縮できる,事前学習されたシンボルベースレジストレータを提案する。 我々のモデルは、ネットワーク以外の記号回帰、複雑なネットワークにおける記号回帰、および様々なドメインにわたるネットワークダイナミクスの推論について厳密に検証されてきた。
• 参考スコア（独自算出の注目度）: 8.438758359789462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In science, we are interested not only in forecasting but also in understanding how predictions are made, specifically what the interpretable underlying model looks like. Data-driven machine learning technology can significantly streamline the complex and time-consuming traditional manual process of discovering scientific laws, helping us gain insights into fundamental issues in modern science. In this work, we introduce a pre-trained symbolic foundation regressor that can effectively compress complex data with numerous interacting variables while producing interpretable physical representations. Our model has been rigorously tested on non-network symbolic regression, symbolic regression on complex networks, and the inference of network dynamics across various domains, including physics, biochemistry, ecology, and epidemiology. The results indicate a remarkable improvement in equation inference efficiency, being three times more effective than baseline approaches while maintaining accurate predictions. Furthermore, we apply our model to uncover more intuitive laws of interaction transmission from global epidemic outbreak data, achieving optimal data fitting. This model extends the application boundary of pre-trained symbolic regression models to complex networks, and we believe it provides a foundational solution for revealing the hidden mechanisms behind changes in complex phenomena, enhancing interpretability, and inspiring further scientific discoveries.
• Abstract（参考訳）: 科学では、予測だけでなく、予測の作り方、特に解釈可能な基盤モデルがどのように見えるかを理解することにも興味を持っています。 データ駆動機械学習技術は、科学法則を発見するための複雑で時間を要する従来の手作業プロセスを大幅に合理化し、現代科学の基本的な問題に対する洞察を得るのに役立つ。 本研究では,解釈可能な物理表現を生成しながら,多数の相互作用変数を持つ複雑なデータを効果的に圧縮する,事前学習された記号的基礎回帰器を提案する。 本モデルは,非ネットワークの記号回帰,複雑なネットワーク上での記号回帰,および物理,生化学,生態学,疫学など,様々な領域におけるネットワークダイナミクスの推論において,厳密に検証されている。 その結果, 方程式推論効率は, 精度を保ちながら, ベースラインアプローチの3倍の効率性を有することが明らかとなった。 さらに,本モデルを用いて,地球規模の流行発生データからより直感的な相互作用伝達法則を解明し,最適なデータ適合性を実現する。 このモデルは、事前学習された記号回帰モデルの複雑なネットワークへの適用境界を拡張し、複雑な現象の変化の背後にある隠されたメカニズムを明らかにするための基礎的なソリューションを提供し、解釈可能性を高め、さらなる科学的発見を促す。

関連論文リスト

• The emergence of sparse attention: impact of data distribution and benefits of repetition [14.652502263025882]
  本研究では,トランスフォーマーにおける重要かつ頻繁な注意パターンであるスパースアテンションのトレーニングに伴う出現について検討した。 玩具モデルの理論的解析と線形回帰変種を訓練した小型変圧器の経験的観察を組み合わせることで,機械的スパークアテンションの出現を明らかにする。 我々の研究は、データ分布とモデル設計が1つの形態の台頭の背後にある学習力学にどのように影響するかを理解するための、シンプルで理論的に基礎的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-05-23T13:14:02Z)
• Learning Interpretable Network Dynamics via Universal Neural Symbolic Regression [5.813728143193046]
  複雑なシステム状態のシンボリックな変化パターンを, 自動的に, 効率的に, 正確に学習できる普遍的な計算ツールを開発した。 その結果,ネットワーク力学における最先端のシンボルレグレッション手法と比較し,ツールの有効性と効率性を実証した。 地球規模の伝染病や歩行者運動を含む現実世界のシステムへの適用は、その実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-11T09:51:22Z)
• Contrastive Representation Learning for Dynamic Link Prediction in Temporal Networks [1.9389881806157312]
  本稿では,時間ネットワークの表現を学習するための自己教師付き手法を提案する。 本稿では、時間的ネットワークの時間的参照経路を介して情報の流れをモデル化するための、繰り返しメッセージパッシングニューラルネットワークアーキテクチャを提案する。 提案手法は、Enron、COLAB、Facebookのデータセットでテストされる。
  論文  参考訳（メタデータ） (2024-08-22T22:50:46Z)
• 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)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• A Deep Learning Approach to Analyzing Continuous-Time Systems [20.89961728689037]
  深層学習が複雑なプロセスの解析に有効であることを示す。 提案手法は,多くの自然系に対して不可解な標準的な仮定を緩和する。 行動・神経画像データに顕著な改善が認められた。
  論文  参考訳（メタデータ） (2022-09-25T03:02:31Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Deep learning of contagion dynamics on complex networks [0.0]
  本稿では,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングに基づく補完的アプローチを提案する。 任意のネットワーク構造をシミュレーションすることで,学習したダイナミックスの性質を学習データを超えて探索することが可能になる。 この結果は,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングが新たな補完的な視点を提供することを示す。
  論文  参考訳（メタデータ） (2020-06-09T17:18:34Z)

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。