論文の概要: Neural Structure Embedding for Symbolic Regression via Continuous Structure Search and Coefficient Optimization

• arxiv url: http://arxiv.org/abs/2603.22429v1
• Date: Mon, 23 Mar 2026 18:04:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.128277
• Title: Neural Structure Embedding for Symbolic Regression via Continuous Structure Search and Coefficient Optimization
• Title（参考訳）: 連続構造探索と係数最適化による記号回帰のためのニューラル構造埋め込み
• Authors: Fateme Memar, Tao Zhe, Dongjie Wang,
• Abstract要約: SRCOはシンボリックレグレッションのための統合埋め込み駆動フレームワークである。 記号構造を連続で最適化可能な表現空間に変換する。 合成および実世界のデータセットの実験により、我々の手法は方程式の正確性、堅牢性、探索効率において最先端の手法を一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 8.496933324334167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Symbolic regression aims to discover human-interpretable equations that explain observational data. However, existing approaches rely heavily on discrete structure search (e.g., genetic programming), which often leads to high computational cost, unstable performance, and limited scalability to large equation spaces. To address these challenges, we propose SRCO, a unified embedding-driven framework for symbolic regression that transforms symbolic structures into a continuous, optimizable representation space. The framework consists of three key components: (1) structure embedding: we first generate a large pool of exploratory equations using traditional symbolic regression algorithms and train a Transformer model to compress symbolic structures into a continuous embedding space; (2) continuous structure search: the embedding space enables efficient exploration using gradient-based or sampling-based optimization, significantly reducing the cost of navigating the combinatorial structure space; and (3) coefficient optimization: for each discovered structure, we treat symbolic coefficients as learnable parameters and apply gradient optimization to obtain accurate numerical values. Experiments on synthetic and real-world datasets show that our approach consistently outperforms state-of-the-art methods in equation accuracy, robustness, and search efficiency. This work introduces a new paradigm for symbolic regression by bridging symbolic equation discovery with continuous embedding learning and optimization.
• Abstract（参考訳）: 記号回帰は、観察データを説明する人間解釈可能な方程式を発見することを目的としている。 しかし、既存のアプローチは離散構造探索(例えば遺伝的プログラミング)に大きく依存しており、しばしば計算コストが高く、不安定な性能、大規模方程式空間への拡張性に制限がある。 これらの課題に対処するために,シンボル構造を連続的に最適化可能な表現空間に変換するシンボリック回帰のための統合埋め込み駆動フレームワークSRCOを提案する。 このフレームワークは,(1) 構造埋め込み: 従来の記号回帰アルゴリズムを用いて探索方程式のプールを初めて生成し,(2) 連続的な埋め込み空間にシンボル構造を圧縮するためにトランスフォーマーモデルを訓練する; (2) 連続的な構造探索: 埋め込み空間は,勾配に基づくあるいはサンプリングに基づく最適化による効率的な探索を可能にし,組合せ構造空間をナビゲートするコストを大幅に削減する; (3) 係数最適化: 各発見された構造に対して,シンボル係数を学習可能なパラメータとして扱い,正確な数値値を得るために勾配最適化を適用する。 合成および実世界のデータセットの実験により、我々の手法は方程式の正確性、堅牢性、探索効率において最先端の手法より一貫して優れていることが示された。 本研究は,連続的な埋め込み学習と最適化による記号方程式発見をブリッジすることで,記号回帰の新しいパラダイムを導入する。

関連論文リスト

• Graph Neural Network Assisted Genetic Algorithm for Structural Dynamic Response and Parameter Optimization [1.5383027029023142]
  質量(m)、剛性(k)、減衰係数(c)などの構造パラメータの最適化は、効率的で弾力性があり安定した構造を設計するのに重要である。 本研究では,グラフニューラルネットワーク(GNN)サロゲートモデルと遺伝的アルゴリズム(GA)を統合し,これらの課題を克服するハイブリッドデータ駆動フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-26T21:14:59Z)
• LOCAL: Learning with Orientation Matrix to Infer Causal Structure from Time Series Data [51.47827479376251]
  LOCALは動的因果構造を復元するための効率的で実装が容易で制約のない手法である。 Asymptotic Causal Learning Mask (ACML) と Dynamic Graph Learning (DGPL) 合成および実世界のデータセットの実験では、LOCALが既存の手法よりも大幅に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T10:48:41Z)
• A Practical Solver for Scalar Data Topological Simplification [7.079737824450954]
  本稿では,トポロジカル単純化の最適化のための実践的アプローチを提案する。 フィラメントループを除去する標準的なトポロジカル手法よりも,本手法が優れていることを示す。 また,本手法は表面処理における遺伝子欠陥の修復にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-17T08:25:32Z)
• 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)
• Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
  パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。 本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-14T15:51:35Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
  部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。 線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
  論文  参考訳（メタデータ） (2022-04-20T21:15:38Z)
• 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)

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。