論文の概要: Multi-task GINN-LP for Multi-target Symbolic Regression

• arxiv url: http://arxiv.org/abs/2511.13463v1
• Date: Mon, 17 Nov 2025 15:07:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.317439
• Title: Multi-task GINN-LP for Multi-target Symbolic Regression
• Title（参考訳）: 多目的シンボリック回帰のためのマルチタスクGINN-LP
• Authors: Hussein Rajabu, Lijun Qian, Xishuang Dong,
• Abstract要約: 我々は,マルチターゲットシンボリック回帰のための解釈可能なニューラルネットワークであるマルチタスク回帰GINN-LP(MTRGINN-LP)を提案する。 我々は,エネルギー効率予測や持続可能な農業など,実用的マルチターゲットアプリケーションにおけるマルチタスクGINN-LPの有効性を検証した。
• 参考スコア（独自算出の注目度）: 0.3670422696827525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the area of explainable artificial intelligence, Symbolic Regression (SR) has emerged as a promising approach by discovering interpretable mathematical expressions that fit data. However, SR faces two main challenges: most methods are evaluated on scientific datasets with well-understood relationships, limiting generalization, and SR primarily targets single-output regression, whereas many real-world problems involve multi-target outputs with interdependent variables. To address these issues, we propose multi-task regression GINN-LP (MTRGINN-LP), an interpretable neural network for multi-target symbolic regression. By integrating GINN-LP with a multi-task deep learning, the model combines a shared backbone including multiple power-term approximator blocks with task-specific output layers, capturing inter-target dependencies while preserving interpretability. We validate multi-task GINN-LP on practical multi-target applications, including energy efficiency prediction and sustainable agriculture. Experimental results demonstrate competitive predictive performance alongside high interpretability, effectively extending symbolic regression to broader real-world multi-output tasks.
• Abstract（参考訳）: 説明可能な人工知能の分野では、データに適合する解釈可能な数学的表現を発見することによって、シンボル回帰(SR)が有望なアプローチとして登場した。 しかし、SRの主な課題は2つある: ほとんどの手法はよく理解された関係を持つ科学データセット上で評価され、一般化が制限され、SRは主に単一出力回帰を目標としている。 これらの課題に対処するために,マルチターゲットシンボリック回帰のための解釈可能なニューラルネットワークであるマルチタスク回帰GINN-LP(MTRGINN-LP)を提案する。 GINN-LPとマルチタスク深層学習を統合することで、複数のパワーターム近似器ブロックを含む共有バックボーンとタスク固有の出力層を組み合わせて、解釈可能性を維持しながらターゲット間の依存関係をキャプチャする。 我々は,エネルギー効率予測や持続可能な農業など,実用的マルチターゲットアプリケーションにおけるマルチタスクGINN-LPの有効性を検証した。 実験の結果、高い解釈可能性とともに競合予測性能を示し、シンボルレグレッションをより広い実世界のマルチアウトプットタスクに効果的に拡張した。

関連論文リスト

• Universal Retrieval for Multimodal Trajectory Modeling [12.160448446091607]
  軌道データは、AIエージェント能力を向上する大きな可能性を秘めている。 本稿では,ユニバーサル検索とエージェント中心軌道モデリングのギャップを埋めるマルチモーダル軌道検索手法を提案する。
  論文  参考訳（メタデータ） (2025-06-27T09:50:38Z)
• Truth in the Few: High-Value Data Selection for Efficient Multi-Modal Reasoning [71.3533541927459]
  アクティベーション推論ポテンシャル(RAP)と呼ばれる新しいデータ選択パラダイムを提案する。 RAPは、真のマルチモーダル推論を刺激する各サンプルのポテンシャルを推定することで、認知サンプルを識別する。 我々のRAP法は、トレーニングデータの9.3%しか使用せず、計算コストを43%以上削減しながら、常に優れた性能を実現している。
  論文  参考訳（メタデータ） (2025-06-05T08:40:24Z)
• LIFT: Latent Implicit Functions for Task- and Data-Agnostic Encoding [4.759109475818876]
  Implicit Neural Representations (INR)は、多様なデータドメインをまたいだタスクモデリングを統合するための強力なパラダイムであることが証明されている。 本稿では,メタラーニングによるマルチスケール情報をキャプチャする新しい高性能フレームワークLIFTを紹介する。 また、残差接続と表現頻度符号化を組み込んだLIFTの強化版であるReLIFTについても紹介する。
  論文  参考訳（メタデータ） (2025-03-19T17:00:58Z)
• Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
  実世界のマルチビューデータセットは、しばしば不均一で不完全である。 本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。 我々のRMLは自己教師型であり、正規化として下流のタスクにも適用できます。
  論文  参考訳（メタデータ） (2025-03-06T07:01:08Z)
• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• Provable Benefits of Multi-task RL under Non-Markovian Decision Making Processes [56.714690083118406]
  マルコフ決定過程 (MDP) 下でのマルチタスク強化学習 (RL) において, 共有潜在構造の存在は, シングルタスクRLと比較して, サンプル効率に有意な利益をもたらすことが示されている。 このような利点が、部分的に観測可能なMDP(POMDP)やより一般的な予測状態表現(PSR)といった、より一般的なシーケンシャルな意思決定問題にまで拡張できるかどうかを検討する。 提案手法は,全てのPSRに対してほぼ最適ポリシーを求めるための,証明可能なアルゴリズム UMT-PSR を提案し,PSR の合同モデルクラスが有するマルチタスク学習の利点が示されることを示す。
  論文  参考訳（メタデータ） (2023-10-20T14:50:28Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Soft Hierarchical Graph Recurrent Networks for Many-Agent Partially Observable Environments [9.067091068256747]
  本稿では,階層型グラフ再帰ネットワーク(HGRN)と呼ばれる新しいネットワーク構造を提案する。 以上の技術に基づいて,Soft-HGRNと呼ばれる値に基づくMADRLアルゴリズムと,SAC-HRGNというアクタクリティカルな変種を提案する。
  論文  参考訳（メタデータ） (2021-09-05T09:51:25Z)
• Multi-task Over-the-Air Federated Learning: A Non-Orthogonal Transmission Approach [52.85647632037537]
  複数の学習タスクがエッジサーバ(ES)の協調の下でデータ収集および学習モデルのためのエッジデバイスを共有するマルチタスク・オーバーテア・フェデレーション・ラーニング(MOAFL)フレームワークを提案する。 収束解析と数値計算の両方の結果から,MOAFLフレームワークは学習性能を著しく低下させることなく,複数のタスクのアップリンク帯域幅の消費を大幅に削減できることが示された。
  論文  参考訳（メタデータ） (2021-06-27T13:09:32Z)
• Multi-target regression via output space quantization [0.3007949058551534]
  MRQと呼ばれる提案手法は、複数の連続目標を1つ以上の離散目標に変換するために出力空間を定量化するアイデアに基づいている。 ベンチマークデータセットの大規模なコレクションの実験は、MRQが高度にスケーラブルであり、精度の面で最先端と競合していることを示している。
  論文  参考訳（メタデータ） (2020-03-22T13:57:40Z)

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。