論文の概要: Equality Graph Assisted Symbolic Regression

• arxiv url: http://arxiv.org/abs/2511.01009v1
• Date: Sun, 02 Nov 2025 16:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.025644
• Title: Equality Graph Assisted Symbolic Regression
• Title（参考訳）: Equality Graph Assisted Symbolic Regression
• Authors: Fabricio Olivetti de Franca, Gabriel Kronberger,
• Abstract要約: 遺伝的プログラミング(GP)は、最先端の結果を精度で提供する一般的な検索アルゴリズムである。 本稿では,電子グラフ構造を中心に回転するシンボリックレグレッションの探索アルゴリズムSymReggを提案する。 我々は,SymReggが検索効率を向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 0.5156484100374058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Symbolic Regression (SR), Genetic Programming (GP) is a popular search algorithm that delivers state-of-the-art results in term of accuracy. Its success relies on the concept of neutrality, which induces large plateaus that the search can safely navigate to more promising regions. Navigating these plateaus, while necessary, requires the computation of redundant expressions, up to 60% of the total number of evaluation, as noted in a recent study. The equality graph (e-graph) structure can compactly store and group equivalent expressions enabling us to verify if a given expression and their variations were already visited by the search, thus enabling us to avoid unnecessary computation. We propose a new search algorithm for symbolic regression called SymRegg that revolves around the e-graph structure following simple steps: perturb solutions sampled from a selection of expressions stored in the e-graph, if it generates an unvisited expression, insert it into the e-graph and generates its equivalent forms. We show that SymRegg is capable of improving the efficiency of the search, maintaining consistently accurate results across different datasets while requiring a choice of a minimalist set of hyperparameters.
• Abstract（参考訳）: Symbolic Regression (SR) において、遺伝的プログラミング (GP) は、最先端の結果を精度で提供する一般的な検索アルゴリズムである。 その成功は中立の概念に依存しており、探索がより有望な地域へ安全に移動できるような大きな高原を誘導する。 これらの高原をナビゲートするには冗長表現の計算が必要であり、最近の研究で指摘されているように、評価の総数の最大60%が冗長表現である。 等式グラフ(eグラフ)構造は、与えられた式とそのバリエーションが既に検索によって訪問されているかどうかを検証できるようにコンパクトに格納し、グループ化することができるので、不要な計算を避けることができる。 本稿では,e-graph に格納された表現の選択から抽出された摂動解が,未知の表現を生成して e-graph に挿入し,その等価な形式を生成する,SymRegg と呼ばれる記号回帰の探索アルゴリズムを提案する。 我々は,SymReggが探索効率を向上し,複数のデータセットに対して常に正確な結果を維持すると同時に,最小限のハイパーパラメータのセットを選択することができることを示した。

関連論文リスト

• Zobrist Hash-based Duplicate Detection in Symbolic Regression [0.5439020425819]
  遺伝的プログラミング(GP)は、自然選択のメカニズムを通じて数学的表現の集団を進化させる進化的探索法である。 探索空間の多くの点がアルゴリズムによって何度も再訪・再評価され、時間の無駄な計算作業に繋がることを示す。 抽象ボードゲームでよく使われるハッシュの一種であるZobristハッシュに基づくキャッシュ機構を導入する。
  論文  参考訳（メタデータ） (2025-08-19T14:18:16Z)
• Improving Genetic Programming for Symbolic Regression with Equality Graphs [0.0]
  等式グラフを利用して、式とその等価な形式を格納する。 サブツリー演算子を適応させて、表現の再検討の機会を減らします。 提案手法は,PySRやOperonと競合する単純なGPアルゴリズムの性能を向上させる。
  論文  参考訳（メタデータ） (2025-01-29T18:49:34Z)
• The Inefficiency of Genetic Programming for Symbolic Regression -- Extended Version [0.0]
  我々は,遺伝的プログラミングの探索挙動を,実用上は関係するが限定的な状況下での象徴的回帰のために分析する。 これにより、最良の表現を見つける成功確率を定量化できる。 遺伝的プログラミングの探索効率を意味的一意表現の空間におけるランダム探索と比較する。
  論文  参考訳（メタデータ） (2024-04-26T09:49:32Z)
• On Searching for Minimal Integer Representation of Undirected Graphs [0.0]
  最小かつ効率的なグラフ表現は、検索とネットワークの格納、通信、およびサンプル空間の鍵となる。 この結果は,グラフ表現/表現のための新しい数値ベース符号化アルゴリズムを解明する可能性がある。
  論文  参考訳（メタデータ） (2023-12-13T21:56:21Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
  本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。 複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。 これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
  論文  参考訳（メタデータ） (2021-03-25T14:35:07Z)
• Activation Relaxation: A Local Dynamical Approximation to Backpropagation in the Brain [62.997667081978825]
  活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。 我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
  論文  参考訳（メタデータ） (2020-09-11T11:56:34Z)

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。