論文の概要: Discovering Ordinary Differential Equations with LLM-Based Qualitative and Quantitative Evaluation

• arxiv url: http://arxiv.org/abs/2605.07323v1
• Date: Fri, 08 May 2026 06:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.857312
• Title: Discovering Ordinary Differential Equations with LLM-Based Qualitative and Quantitative Evaluation
• Title（参考訳）: LLMに基づく定性的・定量的評価による正規微分方程式の発見
• Abstract要約: DoLQは, LLMに基づく定性的, 定量的評価による常微分方程式の発見手法である。 多次元常微分方程式ベンチマークの実験により、DoLQは既存の手法よりも優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 2.164505553985624
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Discovering governing differential equations from observational data is a fundamental challenge in scientific machine learning. Existing symbolic regression approaches rely primarily on quantitative metrics; however, real-world differential equation modeling also requires incorporating domain knowledge to ensure physical plausibility. To address this gap, we propose DoLQ, a method for discovering ordinary differential equations with LLM-based qualitative and quantitative evaluation. DoLQ employs a multi-agent architecture: a Sampler Agent proposes dynamic system candidates, a Parameter Optimizer refines equations for accuracy, and a Scientist Agent leverages an LLM to conduct both qualitative and quantitative evaluations and synthesize their results to iteratively guide the search. Experiments on multi-dimensional ordinary differential equation benchmarks demonstrate that DoLQ achieves superior performance compared to existing methods, not only attaining higher success rates but also more accurately recovering the correct symbolic terms of ground truth equations. Our code is available at https://github.com/Bon99yun/DoLQ.
• Abstract（参考訳）: 観測データから微分方程式を決定することは、科学機械学習の基本的な課題である。 既存の記号レグレッションアプローチは、主に定量的なメトリクスに依存しているが、実世界の微分方程式モデリングでは、物理的妥当性を保証するために、ドメイン知識を組み込む必要がある。 このギャップに対処するために, LLMに基づく定性的, 定量的評価による常微分方程式の発見法であるDoLQを提案する。 サンプリングエージェントは動的システム候補を提案し、パラメータ最適化器は精度のために方程式を洗練し、Scientist AgentはLCMを利用して定性評価と定量的評価の両方を行い、結果を合成して探索を反復的に導く。 多次元常微分方程式ベンチマークの実験は、DoLQが既存の手法よりも優れた性能を達成し、より高い成功率を得るだけでなく、より正確に基底真理方程式の記号項を復元することを示した。 私たちのコードはhttps://github.com/Bon99yun/DoLQ.comで公開されています。

関連論文リスト

• LLM-PDESR: Robust PDE Discovery via Subdomain Weighted Residuals and LLM-Guided Symbolic Hypothesis Generation [9.278372475235232]
  本稿では,大規模言語モデルの構造仮説生成を数学的に厳密な評価環境に統合する枠組みを提案する。 我々のアプローチは、既存の手法を悩ませるフィットネスランドスケープの歪みを効果的に軽減する。 LLM-PDESRを23個の標準PDEと5つの構造的新しい方程式で評価した。
  論文  参考訳（メタデータ） (2026-07-12T03:16:49Z)
• SciText2Eq: Assessing LLMs for Explainable Equation Generation for Scientific Creativity [9.800289607894994]
  本研究では,大規模言語モデル(LLM)が科学的テキストから数学的方程式を生成する能力について検討する。 我々は、AI研究論文のデータセットを構築し、コンテキストパスを基底構造方程式とペアリングし、変数記述する。 我々は、説明可能な方程式生成ワークフローを開発し、それを様々なオープンソースおよびクローズドソースのLCMバックボーンで評価する。
  論文  参考訳（メタデータ） (2026-06-14T20:14:47Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• Unified Data Selection for LLM Reasoning [66.0118347918729]
  複雑で長いCoT推論のための大規模言語モデル(LLM)のトレーニングは、しばしば大量の高品質な推論データの必要性によってボトルネックとなる。 本研究では,各推論サンプルの上位(例えば0.5%)のエントロピートークンのみを和らげることで,推論品質を定量化する学習自由度指標であるHigh-Entropy Sum(HES)を提案する。
  論文  参考訳（メタデータ） (2026-05-21T12:21:41Z)
• LLM4ED: Large Language Models for Automatic Equation Discovery [0.8644909837301149]
  我々は、自然言語に基づくプロンプトを利用して、データから支配方程式を自動的にマイニングする大規模言語モデルをガイドする新しいフレームワークを導入する。 具体的には、まずLLMの生成能力を利用して、文字列形式で様々な方程式を生成し、次に観測に基づいて生成された方程式を評価する。 実験は偏微分方程式と常微分方程式の両方で広範囲に行われる。
  論文  参考訳（メタデータ） (2024-05-13T14:03:49Z)
• LLM-SR: Scientific Equation Discovery via Programming with Large Language Models [17.64574496035502]
  現在の方程式発見法は、典型的には記号回帰と呼ばれ、主にデータのみから方程式を抽出することに焦点を当てている。 LLM-SRは,大規模言語モデルの科学的知識とロバストなコード生成能力を活用する新しいアプローチである。 また, LLM-SRは, 最先端の記号的回帰ベースラインを著しく上回る物理精度の方程式を発見した。
  論文  参考訳（メタデータ） (2024-04-29T03:30:06Z)
• Evaluating Generative Language Models in Information Extraction as Subjective Question Correction [49.729908337372436]
  本稿では,新しい評価手法SQC-Scoreを提案する。 主観的質問訂正の原則に着想を得て,新しい評価手法SQC-Scoreを提案する。 3つの情報抽出タスクの結果から,SQC-Scoreは基準値よりもアノテータの方が好ましいことが示された。
  論文  参考訳（メタデータ） (2024-04-04T15:36:53Z)
• From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
  本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。 我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
  論文  参考訳（メタデータ） (2023-08-23T09:45:29Z)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)
• Localized Debiased Machine Learning: Efficient Inference on Quantile Treatment Effects and Beyond [69.83813153444115]
  因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。 Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。 本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
  論文  参考訳（メタデータ） (2019-12-30T14:42:52Z)

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。