論文の概要: Prompting Neural-Guided Equation Discovery Based on Residuals

• arxiv url: http://arxiv.org/abs/2511.05586v1
• Date: Wed, 05 Nov 2025 10:24:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.47428
• Title: Prompting Neural-Guided Equation Discovery Based on Residuals
• Title（参考訳）: 残差に基づくニューラルガイド方程式の探索
• Authors: Jannis Brugger, Viktor Pfanschilling, David Richter, Mira Mezini, Stefan Kramer,
• Abstract要約: Residuals for Equation Discovery (RED) は、与えられた方程式を対象とする方法で改善する後処理法である。 REDはどんな方程式発見システムでも利用でき、計算も速く、新しい数学的操作にも容易に拡張できる。 Feynmanベンチマークによる53の方程式の実験では、テストされたすべての神経誘導システムを改善するだけでなく、すべてのテストされた古典的遺伝プログラミングシステムを改善することが示されている。
• 参考スコア（独自算出の注目度）: 4.0174858294787725
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Neural-guided equation discovery systems use a data set as prompt and predict an equation that describes the data set without extensive search. However, if the equation does not meet the user's expectations, there are few options for getting other equation suggestions without intensive work with the system. To fill this gap, we propose Residuals for Equation Discovery (RED), a post-processing method that improves a given equation in a targeted manner, based on its residuals. By parsing the initial equation to a syntax tree, we can use node-based calculation rules to compute the residual for each subequation of the initial equation. It is then possible to use this residual as new target variable in the original data set and generate a new prompt. If, with the new prompt, the equation discovery system suggests a subequation better than the old subequation on a validation set, we replace the latter by the former. RED is usable with any equation discovery system, is fast to calculate, and is easy to extend for new mathematical operations. In experiments on 53 equations from the Feynman benchmark, we show that it not only helps to improve all tested neural-guided systems, but also all tested classical genetic programming systems.
• Abstract（参考訳）: ニューラル誘導方程式発見システムは、データセットをプロンプトとして使用し、広範囲な探索なしにデータセットを記述する方程式を予測する。 しかし、もし方程式がユーザの期待を満たさない場合、システムとの集中的な作業なしに他の方程式提案を得るための選択肢はほとんどない。 このギャップを埋めるために,その残差に基づいて与えられた方程式を対象として改善する後処理法であるResiduals for Equation Discovery (RED)を提案する。 初期方程式を構文木に解析することにより、ノードベースの計算規則を用いて初期方程式の各部分方程式の残差を計算することができる。 すると、この残余を元のデータセットの新しいターゲット変数として使用し、新しいプロンプトを生成することができる。 新しいプロンプトで、方程式発見系が検証集合上の古い部分方程式よりも良い部分方程式を示唆するなら、後者を前者で置き換える。 REDはどんな方程式発見システムでも利用でき、計算も速く、新しい数学的操作にも容易に拡張できる。 Feynmanベンチマークによる53の方程式の実験では、テストされたすべての神経誘導システムを改善するだけでなく、すべてのテストされた古典的遺伝プログラミングシステムを改善することが示されている。

関連論文リスト

• Knowledge-aware equation discovery with automated background knowledge extraction [50.79602839359522]
  本稿では,未知の方程式を自動的あるいは手動で抽出した背景知識を用いて発見するアルゴリズムについて述べる。 このようにして、任意の方程式形式を得る可能性を維持しながら、専門的に選択された用語を模倣する。 本稿では,知識の抽出と利用により,探索安定性とロバスト性の観点からSINDyアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2024-12-31T13:51:31Z)
• Towards true discovery of the differential equations [57.089645396998506]
  微分方程式探索は、解釈可能なモデルを開発するために使用される機械学習サブフィールドである。 本稿では,専門家の入力を伴わない独立方程式発見のための前提条件とツールについて検討する。
  論文  参考訳（メタデータ） (2023-08-09T12:03:12Z)
• Hyena Neural Operator for Partial Differential Equations [9.438207505148947]
  ディープラーニングの最近の進歩は、ニューラル演算子の使用を含む偏微分方程式を解くための新しいアプローチをもたらした。 この研究は、多層パーセプトロンによってパラメータ化される長い畳み込みフィルタを使用するHyenaと呼ばれるニューラル演算子を利用する。 この結果から,ハイエナは偏微分方程式解演算器の効率的かつ高精度なモデルとして機能することが示唆された。
  論文  参考訳（メタデータ） (2023-06-28T19:45:45Z)
• A Neural Network Ensemble Approach to System Identification [0.6445605125467573]
  軌道データから未知の制御方程式を学習するための新しいアルゴリズムを提案する。 ニューラルネットワークのアンサンブルを用いて関数の$f$を近似する。
  論文  参考訳（メタデータ） (2021-10-15T21:45:48Z)
• Unsupervised Reservoir Computing for Solving Ordinary Differential Equations [1.6371837018687636]
  通常の微分方程式(ODE)を満たす近似解を発見することができるエコー状態のリカレントニューラルネットワーク ベイジアン最適化を用いて高次元ハイパーパラメータ空間における最適集合を効率よく発見し、1つの集合がロバストであり、異なる初期条件と時間範囲のODEを解くことができることを示す。
  論文  参考訳（メタデータ） (2021-08-25T18:16:42Z)
• Neural Symbolic Regression that Scales [58.45115548924735]
  本稿では,大規模事前学習を利用した最初の記号回帰手法を提案する。 我々は,非有界な方程式の集合を手続き的に生成し,同時にインプット・アウトプット・ペアの集合からシンボル方程式を予測するためにトランスフォーマーを事前訓練する。
  論文  参考訳（メタデータ） (2021-06-11T14:35:22Z)
• Learning Symbolic Expressions: Mixed-Integer Formulations, Cuts, and Heuristics [1.1602089225841632]
  機能形式を仮定せずに回帰関数を学習する問題を考察する。 制限されたMIを解くことで表現木を構築する手法を提案する。
  論文  参考訳（メタデータ） (2021-02-16T18:39:14Z)
• Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。 バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。 従来のPDEソルバに比べて最大3桁高速である。
  論文  参考訳（メタデータ） (2020-10-18T00:34:21Z)
• 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。