論文の概要: Exploring Multi-view Symbolic Regression methods in physical sciences

• arxiv url: http://arxiv.org/abs/2509.10500v1
• Date: Mon, 01 Sep 2025 12:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.755134
• Title: Exploring Multi-view Symbolic Regression methods in physical sciences
• Title（参考訳）: 物理科学における多視点シンボリック回帰手法の探求
• Authors: Etienne Russeil, Fabrício Olivetti de França, Konstantin Malanchev, Guillaume Moinard, Maxime Cherrey,
• Abstract要約: MvSR(Multi-view Symbolic Regression)は、同じ現象によって生成された複数のデータセットを記述するパラメトリック関数を探索する。 MvSR の精度は高いが,自由パラメータの少ない解を提案する場合が多い。 我々は、今後のMvSR開発のためのガイドラインを提供することで結論付ける。
• 参考スコア（独自算出の注目度）: 0.7503129292751939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Describing the world behavior through mathematical functions help scientists to achieve a better understanding of the inner mechanisms of different phenomena. Traditionally, this is done by deriving new equations from first principles and careful observations. A modern alternative is to automate part of this process with symbolic regression (SR). The SR algorithms search for a function that adequately fits the observed data while trying to enforce sparsity, in the hopes of generating an interpretable equation. A particularly interesting extension to these algorithms is the Multi-view Symbolic Regression (MvSR). It searches for a parametric function capable of describing multiple datasets generated by the same phenomena, which helps to mitigate the common problems of overfitting and data scarcity. Recently, multiple implementations added support to MvSR with small differences between them. In this paper, we test and compare MvSR as supported in Operon, PySR, phy-SO, and eggp, in different real-world datasets. We show that they all often achieve good accuracy while proposing solutions with only few free parameters. However, we find that certain features enable a more frequent generation of better models. We conclude by providing guidelines for future MvSR developments.
• Abstract（参考訳）: 数学的機能を通して世界行動を記述することは、科学者が様々な現象の内部メカニズムをよりよく理解するのに役立ちます。 伝統的に、これは第一原理と注意深い観察から新しい方程式を導出することによって行われる。 現代の代替手段は、シンボル回帰(SR)によるこのプロセスの一部を自動化することである。 SRアルゴリズムは、解釈可能な方程式を生成するために、空間性を強制しながら観測データに適切に適合する関数を探索する。 これらのアルゴリズムの特に興味深い拡張は、Multi-view Symbolic Regression (MvSR)である。 同じ現象によって生成された複数のデータセットを記述可能なパラメトリック関数を探索し、オーバーフィッティングとデータの不足という一般的な問題を緩和するのに役立つ。 最近、複数の実装がMvSRのサポートを追加した。 本稿では,Operon,PySR,phy-SO,eggpでサポートされているMvSRを実世界の異なるデータセットで検証し比較する。 自由パラメータの少ない解を提案しながら、それらすべてが良好な精度を達成できることがよく示される。 しかし、特定の機能によってより頻繁なモデル生成が可能であることが分かりました。 我々は、今後のMvSR開発のためのガイドラインを提供することで結論付ける。

関連論文リスト

• 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)
• ParFam -- (Neural Guided) Symbolic Regression Based on Continuous Global Optimization [14.146976111782466]
  我々は、離散的記号回帰問題を連続的な問題に変換するために、新しいアプローチであるParFamを提案する。 グローバルな手法と組み合わせることで、SRの問題に対処する非常に効果的な手法がもたらされる。 また、ParFamをガイドするために、事前訓練されたトランスフォーマーネットワークDL-ParFamを組み込んだ拡張も提案する。
  論文  参考訳（メタデータ） (2023-10-09T09:01:25Z)
• Exhaustive Symbolic Regression [0.0]
  Exhaustive Symbolic Regression (ESR) は、好みを一つの目的に組み合わせるための厳密な方法である。 宇宙のクロノメーターのカタログと、超新星のパンテオン+サンプルに応用して、ハッブル速度を学習する。 コードと完全な方程式セットを公開しています。
  論文  参考訳（メタデータ） (2022-11-21T13:48:52Z)
• A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
  本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。 ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。 シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
  論文  参考訳（メタデータ） (2020-11-30T21:47:38Z)
• Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
  本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。 我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
  論文  参考訳（メタデータ） (2020-11-17T12:39:44Z)
• On Function Approximation in Reinforcement Learning: Optimism in the Face of Large State Spaces [208.67848059021915]
  強化学習のコアにおける探索・探索トレードオフについて検討する。 特に、関数クラス $mathcalF$ の複雑さが関数の複雑さを特徴づけていることを証明する。 私たちの後悔の限界はエピソードの数とは無関係です。
  論文  参考訳（メタデータ） (2020-11-09T18:32:22Z)
• Piecewise Linear Regression via a Difference of Convex Functions [50.89452535187813]
  本稿では,データに対する凸関数(DC関数)の差を利用した線形回帰手法を提案する。 実際に実装可能であることを示すとともに,実世界のデータセット上で既存の回帰/分類手法に匹敵する性能を有することを実証的に検証した。
  論文  参考訳（メタデータ） (2020-07-05T18:58:47Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。