論文の概要: FePySR: A Neural Feature Extraction Framework for Efficient and Scalable Symbolic Regression

• arxiv url: http://arxiv.org/abs/2605.12704v1
• Date: Tue, 12 May 2026 20:04:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.659284
• Title: FePySR: A Neural Feature Extraction Framework for Efficient and Scalable Symbolic Regression
• Title（参考訳）: FePySR: 効率的でスケーラブルなシンボリック回帰のためのニューラルネットワーク機能抽出フレームワーク
• Authors: Zhiming Yu, Wangtao Lu, Xin Lai,
• Abstract要約: FePySRは、方程式探索に先立って有効な特徴を抽出することにより、SR探索空間を縮小する2段階のフレームワークである。 5つの標準ベンチマークで、FePySRはより高い方程式回復率を達成することによって最先端の手法より優れている。 FePySRは、SRソルバを強化し、シンボリック表現の効率的かつ信頼性の高いリカバリを可能にする、一般化可能なフレームワークである。
• 参考スコア（独自算出の注目度）: 4.327979408469824
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A fundamental challenge in symbolic regression (SR) is efficiently recovering complex mathematical expressions from observational data. Although this problem is NP-hard, many expressions of practical interest decompose naturally into combinations of nonlinear feature modules, concentrating structural complexity into a small number of reusable components. Here, we introduce FePySR, a two-stage framework that reduces the SR search space by extracting valid features prior to equation search. FePySR first employs a heterogeneous neural network to constrain observational data to a set of candidate expressions, then performs structural optimization within this refined expression space using PySR. Across five standard benchmarks, FePySR outperforms state-of-the-art methods by achieving higher equation recovery rates. On a set of 75 highly complex synthesized equations, FePySR recovers 36 equations, while producing substantially smaller mean squared errors on the remaining unrecovered cases, with reduced computation time compared to PySR. FePySR's first stage also maintains consistent performance under varying numbers of selected top features and increasing levels of noise in the observational data. Applied to ordinary differential equations governing biological systems, FePySR successfully identifies governing equations in 24 out of 100 tests where PySR recovers none. Taken together, FePySR is a generalizable framework that can enhance the SR solvers, enabling the efficient and reliable recovery of symbolic expressions across scientific domains.
• Abstract（参考訳）: 記号回帰(SR)の基本課題は、観測データから複雑な数学的表現を効率的に回収することである。 この問題はNPハードであるが、実用的関心の表現の多くは自然に非線形特徴加群の組み合わせに分解され、構造的複雑さを少数の再利用可能な成分に集約する。 本稿では、方程式探索に先立って有効な特徴を抽出することにより、SR探索空間を縮小する2段階フレームワークFePySRを紹介する。 FePySRはまず、観測データを一連の候補表現に制約するために異種ニューラルネットワークを使用し、その後、PySRを使用してこの洗練された表現空間内で構造最適化を行う。 5つの標準ベンチマークで、FePySRはより高い方程式回復率を達成することによって最先端の手法より優れている。 高度に複雑に合成された75個の方程式に対して、FePySRは36個の方程式を復元し、残りの未発見ケースでは平均2乗誤差がかなり小さく、PySRと比較して計算時間が短縮された。 FePySRの第1段階は、選択されたトップ特徴の様々な数の下で一貫した性能を維持し、観測データのノイズレベルを増大させる。 FePySRは、生物学的システムを管理する通常の微分方程式に適用され、PySRが回復しない100の試験のうち24の試験において、支配方程式の特定に成功した。 FePySRは一般化可能なフレームワークであり、SRソルバを強化し、科学領域をまたいだ記号表現の効率的かつ信頼性の高い回復を可能にする。

関連論文リスト

• Breaking the Simplification Bottleneck in Amortized Neural Symbolic Regression [8.351253396371686]
  SimpliPyはルールベースの単純化エンジンで、SymPyよりも100倍のスピードアップを実現している。 この利点をFlash-ANSRフレームワークで示しています。
  論文  参考訳（メタデータ） (2026-02-09T16:47:00Z)
• AdaptSR: Low-Rank Adaptation for Efficient and Scalable Real-World Super-Resolution [50.584551250242235]
  AdaptSRは、現実世界のタスクにバイキュービックトレーニングされたSRモデルを効率的に再利用する低ランク適応フレームワークである。 実験の結果,AdaptSRはPSNRで最大4dB,実際のSRベンチマークで2%,GAN法と拡散型SR法より優れていた。
  論文  参考訳（メタデータ） (2025-03-10T18:03:18Z)
• Ab Initio Nonparametric Variable Selection for Scalable Symbolic Regression with Large $p$ [2.222138965069487]
  シンボリック回帰(SR)は、データの非線形関係を特徴付けるシンボリック表現を発見するための強力な手法である。 既存のSR法は、多くの入力変数を持つデータセットにスケールしないが、現代の科学的応用では一般的である。 本稿では,Ab初期非パラメトリック変数選択とSRを組み合わせたPAN+SRを提案する。
  論文  参考訳（メタデータ） (2024-10-17T15:41:06Z)
• 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)
• Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
  本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。 CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。 CFSRは計算コストと性能のバランスが最適であることを示す実験である。
  論文  参考訳（メタデータ） (2024-01-11T03:08:00Z)
• 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)
• Exhaustive Symbolic Regression [0.0]
  Exhaustive Symbolic Regression (ESR) は、好みを一つの目的に組み合わせるための厳密な方法である。 宇宙のクロノメーターのカタログと、超新星のパンテオン+サンプルに応用して、ハッブル速度を学習する。 コードと完全な方程式セットを公開しています。
  論文  参考訳（メタデータ） (2022-11-21T13:48:52Z)

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。