論文の概要: VaSST: Variational Inference for Symbolic Regression using Soft Symbolic Trees
- arxiv url: http://arxiv.org/abs/2602.23561v1
- Date: Fri, 27 Feb 2026 00:07:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-02 19:48:24.175126
- Title: VaSST: Variational Inference for Symbolic Regression using Soft Symbolic Trees
- Title（参考訳）: VaSST:ソフトシンボリックツリーを用いたシンボリック回帰の変分推論
- Authors: Somjit Roy, Pritam Dey, Bani K. Mallick,
- Abstract要約: 本稿では,変分推論に基づくシンボリック回帰のためのスケーラブルな確率的フレームワークであるVasSTを紹介する。
VaSSTは、最先端のシンボル回帰法と比較して、構造回復と予測精度の両方において優れた性能を達成する。
- 参考スコア（独自算出の注目度）: 2.6521352889229446
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symbolic regression has recently gained traction in AI-driven scientific discovery, aiming to recover explicit closed-form expressions from data that reveal underlying physical laws. Despite recent advances, existing methods remain dominated by heuristic search algorithms or data-intensive approaches that assume low-noise regimes and lack principled uncertainty quantification. Fully probabilistic formulations are scarce, and existing Markov chain Monte Carlo-based Bayesian methods often struggle to efficiently explore the highly multimodal combinatorial space of symbolic expressions. We introduce VaSST, a scalable probabilistic framework for symbolic regression based on variational inference. VaSST employs a continuous relaxation of symbolic expression trees, termed soft symbolic trees, where discrete operator and feature assignments are replaced by soft distributions over allowable components. This relaxation transforms the combinatorial search over an astronomically large symbolic space into an efficient gradient-based optimization problem while preserving a coherent probabilistic interpretation. The learned soft representations induce posterior distributions over symbolic structures, enabling principled uncertainty quantification. Across simulated experiments and Feynman Symbolic Regression Database within SRBench, VaSST achieves superior performance in both structural recovery and predictive accuracy compared to state-of-the-art symbolic regression methods.
- Abstract（参考訳）: シンボリックレグレッションは最近、基礎となる物理法則を明らかにするデータから明示的なクローズドフォーム表現を復元することを目的として、AI駆動の科学的発見で注目を集めている。
近年の進歩にもかかわらず、既存の手法はヒューリスティックな探索アルゴリズムや、低ノイズ状態と原理的不確実性定量化の欠如を前提としたデータ集約的なアプローチに支配されている。
完全確率的定式化は乏しく、既存のマルコフ連鎖モンテカルロに基づくベイジアン法は記号表現の高度に多重な組合せ空間を効率的に探索するのにしばしば苦労する。
本稿では,変分推論に基づくシンボリック回帰のためのスケーラブルな確率的フレームワークであるVasSTを紹介する。
VaSSTは、離散演算子と特徴割り当てを許容可能なコンポーネント上のソフトな分布に置き換える、ソフトなシンボル木と呼ばれる記号表現木を連続的に緩和する。
この緩和は、天文学的に大きな記号空間上の組合せ探索を、コヒーレント確率論的解釈を保ちながら効率的な勾配に基づく最適化問題に変換する。
学習された軟式表現は、記号構造上の後部分布を誘導し、原理化された不確実性定量化を可能にする。
SRBench内のFeynman Symbolic Regression Databaseとシミュレーション実験を合わせて、VasSTは、最先端のシンボル回帰法と比較して、構造回復と予測精度の両方において優れた性能を達成している。
関連論文リスト
- Weights to Code: Extracting Interpretable Algorithms from the Discrete Transformer [65.38883376379812]
本稿では,連続表現と離散記号論理のギャップを埋めるアーキテクチャである離散変換器を提案する。
実証的には、Discrete TransformerはRNNベースのベースラインに匹敵するパフォーマンスを達成するだけでなく、連続的な変数ドメインへの解釈可能性を大幅に拡張する。
論文 参考訳（メタデータ） (2026-01-09T12:49:41Z) - SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳（メタデータ） (2026-01-06T19:47:11Z) - Bayesian Symbolic Regression via Posterior Sampling [0.0]
記号回帰はデータから直接支配方程式を発見する強力なツールであるが、ノイズに対する感度はより広い応用を妨げる。
本稿では,記号表現上の後部分布を近似したベイズ記号回帰のための逐次モンテカルロフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-11T17:38:20Z) - Hierarchical Bayesian Operator-induced Symbolic Regression Trees for Structural Learning of Scientific Expressions [3.8545239266455185]
我々は,木構造的記号表現のアンサンブルとして科学法則を表す記号回帰の階層的ベイズ的枠組みを開発する。
我々はベイズ後部濃度の最小値に近い値を確立し、シンボル回帰の文脈で最初の厳密な保証を提供する。
実験的な評価は,提案手法の最先端の競合モジュールに対する堅牢な性能を示す。
論文 参考訳（メタデータ） (2025-09-24T02:42:25Z) - Discovering Mathematical Equations with Diffusion Language Model [6.384075523245284]
本稿では,連続状態拡散言語モデルに基づくシンボル回帰のための事前学習フレームワークであるDiffuSRを紹介する。
DrouSRは、離散的な数学的シンボルを連続的な潜在空間にマッピングするために、拡散過程内にトレーニング可能な埋め込み層を用いる。
また,拡散型方程式生成器の精度を高めるための効果的な推論戦略を設計する。
論文 参考訳（メタデータ） (2025-09-16T14:53:44Z) - Symbolic Feedforward Networks for Probabilistic Finite Automata: Exact Simulation and Learnability [0.0]
確率的有限オートマトンは、シンボルフィードフォワードニューラルネットワークを用いて正確にシミュレートできることを示す。
これらの記号シミュレータは表現性だけでなく学習性にも優れることを示す。
論文 参考訳（メタデータ） (2025-09-12T07:57:01Z) - Discovering physical laws with parallel symbolic enumeration [67.36739393470869]
並列記号列挙法(PSE)を導入し,限られたデータから汎用数学的表現を効率的に抽出する。
実験の結果,PSEは最先端のベースラインアルゴリズムと比較して精度が高く,計算速度も速いことがわかった。
PSEは、記号的、解釈可能なモデルの正確で効率的なデータ駆動による発見の進歩を表している。
論文 参考訳（メタデータ） (2024-07-05T10:41:15Z) - 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) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - Symbolic Regression by Exhaustive Search: Reducing the Search Space
Using Syntactical Constraints and Efficient Semantic Structure Deduplication [2.055204980188575]
シンボリック回帰は、モデル構造に関する事前の知識が得られない産業シナリオにおいて、強力なシステム識別技術である。
この章では、これらの問題に対処するために特別に設計された決定論的シンボリック回帰アルゴリズムを紹介します。
全ての可能なモデルの有限列挙は、構造的制約と意味論的に等価な解を検出するキャッシング機構によって保証される。
論文 参考訳（メタデータ） (2021-09-28T17:47:51Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z)
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。