論文の概要: KAN-SR: A Kolmogorov-Arnold Network Guided Symbolic Regression Framework

• arxiv url: http://arxiv.org/abs/2509.10089v1
• Date: Fri, 12 Sep 2025 09:31:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.03325
• Title: KAN-SR: A Kolmogorov-Arnold Network Guided Symbolic Regression Framework
• Title（参考訳）: Kan-SR: Kolmogorov-Arnoldネットワークガイド付きシンボリック回帰フレームワーク
• Authors: Marco Andrea Bühler, Gonzalo Guillén-Gosálbez,
• Abstract要約: 我々はコルモゴロフ・アーノルドネットワーク(KAN)上に構築された新しいシンボリック回帰フレームワークであるkan-SRを導入する。 シンボリック回帰は、与えられたデータセットに最もよく適合し、遺伝的プログラミングアプローチでよく解決される数学的方程式を探索する。 本研究では, 深層学習技術, より具体的なKANを用いて, 翻訳対称性や分離性などの簡易化戦略と組み合わせることで, 地層構造方程式を復元可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a novel symbolic regression framework, namely KAN-SR, built on Kolmogorov Arnold Networks (KANs) which follows a divide-and-conquer approach. Symbolic regression searches for mathematical equations that best fit a given dataset and is commonly solved with genetic programming approaches. We show that by using deep learning techniques, more specific KANs, and combining them with simplification strategies such as translational symmetries and separabilities, we are able to recover ground-truth equations of the Feynman Symbolic Regression for Scientific Discovery (SRSD) dataset. Additionally, we show that by combining the proposed framework with neural controlled differential equations, we are able to model the dynamics of an in-silico bioprocess system precisely, opening the door for the dynamic modeling of other engineering systems.
• Abstract（参考訳）: 我々はKan-SRという,Kolmogorov Arnold Networks (KANs) 上に構築された新しいシンボリック回帰フレームワークを紹介した。 シンボリック回帰は、与えられたデータセットに最もよく適合し、遺伝的プログラミングアプローチでよく解決される数学的方程式を探索する。 本研究では, 深層学習技術, より具体的なkanを用いて, 翻訳対称性や分離性などの簡易化戦略と組み合わせることで, 科学発見のためのFeynman Symbolic Regression(SRSD)データセットの基底構造方程式を復元可能であることを示す。 さらに,提案手法をニューラルネットワーク微分方程式と組み合わせることで,シリコン内バイオプロセスシステムの力学を正確にモデル化し,他の工学系の動的モデリングの扉を開くことができることを示す。

関連論文リスト

• Expanding the Chaos: Neural Operator for Stochastic (Partial) Differential Equations [65.80144621950981]
  我々はWienerカオス拡張(WCE)に基づいて、SPDEとSDEのためのニューラル演算子(NO)アーキテクチャを設計する。 WCEベースのニューラル演算子は、SDE/SPDEソリューション演算子を学習するための実用的でスケーラブルな方法を提供する。
  論文  参考訳（メタデータ） (2026-01-03T00:59:25Z)
• A joint optimization approach to identifying sparse dynamics using least squares kernel collocation [70.13783231186183]
  本研究では,通常の微分方程式(ODE)の学習システムを,状態の不足,部分的,ノイズの多い観測から学習するためのオール・アット・オンス・モデリング・フレームワークを開発する。 提案手法は,関数ライブラリ上でのODEのスパースリカバリ戦略とカーネルヒルベルト空間(RKHS)理論による状態推定とODEの離散化の手法を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-11-23T18:04:15Z)
• Symbolic Neural Ordinary Differential Equations [11.69943926220929]
  記号型ニューラル正規微分方程式(SNODE)と呼ばれる記号型連続深度ニューラルネットワークの新しい学習フレームワークを提案する。 我々の枠組みは、システム分岐制御、再構築と予測、新しい方程式の発見など、幅広い科学的問題にさらに適用することができる。
  論文  参考訳（メタデータ） (2025-03-11T05:38:22Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• SINDyG: Sparse Identification of Nonlinear Dynamical Systems from Graph-Structured Data, with Applications to Stuart-Landau Oscillator Networks [0.27624021966289597]
  グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。 SINDyGはネットワーク構造をスパース回帰に組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。 本実験は, ネットワーク力学の精度向上と簡易性を検証した。
  論文  参考訳（メタデータ） (2024-09-02T17:51:37Z)
• ISR: Invertible Symbolic Regression [7.499800486499609]
  Invertible Symbolic Regression(インバーティブル・シンボリック・レグレッション・レグレッション)は、あるデータセットの入力と出力の間の分析的関係を生成する機械学習技術である。 INNのアフィン結合ブロックをシンボリック・フレームワークに変換し、エンドツーエンドで微分可能なシンボリック・インバータブル・アーキテクチャを実現する。 ISRは密度推定タスクの(象徴的な)正規化フローとして機能することを示す。
  論文  参考訳（メタデータ） (2024-05-10T23:20:46Z)
• A Neural Rewriting System to Solve Algorithmic Problems [47.129504708849446]
  ネストされた数学的公式を解くための一般的な手順を学習するために設計されたモジュラーアーキテクチャを提案する。 シンボリック人工知能の古典的なフレームワークである書き換えシステムに触発され、アーキテクチャには3つの専門的で対話的なモジュールが含まれます。 我々は、系統的な一般化に特化した最近のモデルであるNeural Data Routerと、先進的なプロンプト戦略で探索された最先端の大規模言語モデル(GPT-4)とを比較した。
  論文  参考訳（メタデータ） (2024-02-27T10:57:07Z)
• 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)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• 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)
• Symplectically Integrated Symbolic Regression of Hamiltonian Dynamical Systems [11.39873640706974]
  シンプレクティック統合シンボリック回帰(SISR)は、データから物理支配方程式を学ぶための新しいテクニックである。 SISRは多層LSTM-RNNを用いて、確率的にハミルトン記号表現をサンプリングする。
  論文  参考訳（メタデータ） (2022-09-04T03:17:40Z)
• Deep Learning and Symbolic Regression for Discovering Parametric Equations [5.103519975854401]
  パラメトリックシステムにシンボリック回帰を拡張するニューラルネットワークアーキテクチャを提案する。 本稿では,様々な解析式,ODE,PDEに対して,係数の異なる手法を示す。 このアーキテクチャを畳み込みニューラルネットワークと統合し、様々なスプリングシステムの1次元画像を分析する。
  論文  参考訳（メタデータ） (2022-07-01T16:25:59Z)

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。