論文の概要: When Good Equations Get Bad Scores: Improving Symbolic Regression Through Better Parameter Optimization

• arxiv url: http://arxiv.org/abs/2605.23272v1
• Date: Fri, 22 May 2026 06:23:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.223794
• Title: When Good Equations Get Bad Scores: Improving Symbolic Regression Through Better Parameter Optimization
• Title（参考訳）: 良い方程式が悪いスコアを得るとき:より良いパラメータ最適化によってシンボリック回帰を改善する
• Abstract要約: シンボリック回帰(SR)は、観測データから数学的方程式を蒸留することによって科学的知識発見において中心的な役割を果たす。 SAGE-Fitは,シンボル表現の2つの先行性を利用するSR適合フレームワークである。
• 参考スコア（独自算出の注目度）: 24.34939435234426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Symbolic Regression (SR) plays a central role in scientific knowledge discovery by distilling mathematical equations from observational data. Most existing SR methods function within a bi-level optimization framework: an outer loop that searches for the discrete equation structure, and an inner loop that optimizes the continuous parameters of that structure. Crucially, parameter-fitting quality directly determines a structure's score and thus the outer-loop search. However, nonlinear operators make the inner loop highly non-convex, and budget-driven reliance on fast local solvers (e.g., BFGS) often yields poor local minima and underestimated scores for correct structures. This ``Good Structure, Bad Score'' phenomenon becomes a key bottleneck, degrading efficiency and misguiding the search away from the true equation. To resolve this, we propose SAGE-Fit (Structure-Aware and Semantics-Guided Evaluator for Symbolic Regression), an SR-native fitting framework that exploits the dual native priors of symbolic expressions. By capitalizing on the structural and semantic priors unique to SR, we design tailored modules for each property, thereby effectively mitigating this optimization bottleneck. Extensive experiments demonstrate that our approach, as a plug-and-play module, significantly enhances evaluation fidelity and universally improves the performance of various SR systems.
• Abstract（参考訳）: シンボリック回帰(SR)は、観測データから数学的方程式を蒸留することによって科学的知識発見において中心的な役割を果たす。 既存のSR法のほとんどは、離散方程式構造を探索する外ループと、その構造の連続パラメータを最適化する内ループである。 重要なことに、パラメータ適合品質は構造物のスコアを直接決定し、したがって外ループ探索を行う。 しかし、非線形作用素は内部ループを極めて非凸とし、高速局所解法(例えば、BFGS)への予算駆動による依存は、しばしば悪い局所最小値と、正しい構造に対する過小評価スコアをもたらす。 この 'Good Structure, Bad Score' 現象は、効率を低下させ、真の方程式から探索を誤解させる主要なボトルネックとなる。 そこで我々は,SAGE-Fit (Structure-Aware and Semantics-Guided Evaluator for Symbolic Regression)を提案する。 SRに特有の構造的・意味的な先行性を活かすことで、各特性に適したモジュールを設計し、この最適化ボトルネックを効果的に軽減する。 広汎な実験により,プラグ・アンド・プレイモジュールとして評価精度を大幅に向上し,様々なSRシステムの性能を普遍的に向上させることが示されている。

関連論文リスト

• FePySR: A Neural Feature Extraction Framework for Efficient and Scalable Symbolic Regression [4.327979408469824]
  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。
  論文  参考訳（メタデータ） (2026-05-12T20:04:59Z)
• Neural Structure Embedding for Symbolic Regression via Continuous Structure Search and Coefficient Optimization [8.496933324334167]
  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。
  論文  参考訳（メタデータ） (2026-03-23T18:04:03Z)
• Prior-Informed Neural Network Initialization: A Spectral Approach for Function Parameterizing Architectures [3.0098885383612104]
  本稿では,データ固有のスペクトルと時間構造を利用する事前インフォームド設計手法を提案する。 ファストフーリエ変換(Fast Fourier Transform)を用いて、支配的な季節前兆を抽出する原理的手法が導入された。 合成および実世界のベンチマークの実験は、データ駆動の事前の埋め込みが収束を著しく加速することを示した。
  論文  参考訳（メタデータ） (2026-03-17T11:08:52Z)
• GENSR: Symbolic Regression Based in Equation Generative Space [15.186848349610363]
  GenSRは、ジェネレーティブな宇宙ベースのSRフレームワークである。 ベイズの観点から、GenSR は SR タスクを条件分布 $p(mathrmEqu. mid mathrmNum.)$ の最大化として再構成する。
  論文  参考訳（メタデータ） (2026-02-24T05:14:34Z)
• 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)
• Efficient Differentiable Causal Discovery via Reliable Super-Structure Learning [51.20606796019663]
  本稿では,新たな因果発見パイプラインであるALVGLを提案する。 ALVGLはスパース分解とローランク分解を用いてデータの精度行列を学習する。 ALVGLは最先端の精度を達成するだけでなく、最適化効率を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-01-09T02:18:59Z)
• Unleashing Degradation-Carrying Features in Symmetric U-Net: Simpler and Stronger Baselines for All-in-One Image Restoration [52.82397287366076]
  オールインワン画像復元は、統合された枠組み内で様々な劣化(ノイズ、ぼかし、悪天候など)を扱うことを目的としている。 本研究では, 優れた特徴抽出法により, 劣化伝達情報を本質的にエンコードする, 重要な知見を明らかにする。 我々の対称設計は固有の劣化信号を頑健に保存し、スキップ接続に単純な加法融合を施す。
  論文  参考訳（メタデータ） (2025-12-11T12:20:31Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• 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)
• Shapley-NAS: Discovering Operation Contribution for Neural Architecture Search [96.20505710087392]
  ニューラルアーキテクチャ探索のための演算寄与度(Shapley-NAS)を評価するためのShapley値に基づく手法を提案する。 提案手法は,光探索コストに比例して最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-20T14:41:49Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)

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。