論文の概要: AutoSR: Automatic Symbolic Regression by Searching Research States
- arxiv url: http://arxiv.org/abs/2608.16876v1
- Date: Mon, 17 Aug 2026 17:55:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.832919
- Title: AutoSR: Automatic Symbolic Regression by Searching Research States
- Title（参考訳）: AutoSR:研究状況の検索によるシンボリック回帰の自動化
- Abstract要約: 我々は,研究空間のシンボリック回帰をインスタンス化する完全自動化システムであるAutomatic Symbolic Regression(AutoSR)を紹介する。
既存のアプローチは主に表現の改善に重点を置いているが、検索は通常、結果の式やスコアをほとんど保持していない。
AutoSRはこの記録をtextbfResearch State で保存し、各候補方程式を推論、計算証拠、独立レビューと結合する。
- 参考スコア（独自算出の注目度）: 7.8693181550915945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Automatic Symbolic Regression (AutoSR), a fully automated system that instantiates Research-Space Symbolic Regression by searching persistent scientific investigations rather than isolated equations. Finite, noisy data often yield numerically competitive expressions that imply very different behavior outside the observed regime, making numerical fit and syntactic complexity insufficient measures of scientific credibility. Existing approaches largely focus on improving expressions, yet the search typically retains little beyond the resulting formula and score, losing the scientific record, such as motivations and probes, that inform what to try next. AutoSR preserves this record in a \textbf{Research State}, coupling each candidate equation with the reasoning, computational evidence, and independent review developed along its branch. Proposer--reviewer agents develop these states under progressive-widening Monte Carlo tree search (PW-MCTS), which allocates computation across competing investigations, while the accumulated research record is ultimately synthesized into a final report that explains the leading relation and the basis for its selection. Across nine selected challenges from two benchmark suites, AutoSR recovers algebraically equivalent relations in every case, including three cp3-bench problems that no published system recovers and six structurally diverse LSR-Transform problems. Overall, AutoSR extends symbolic regression from equation-level search toward automated scientific investigation, allowing scientific knowledge and accumulated evidence to shape both what is explored and how the resulting equation is justified.
- Abstract（参考訳）: 我々は,独立した方程式ではなく,永続的な科学的調査を探索することによって,研究空間の象徴的回帰をインスタンス化する完全自動化システムであるAutomatic Symbolic Regression(AutoSR)を紹介する。
有限でノイズの多いデータはしばしば、観測された体制外において非常に異なる振る舞いを暗示する数値的な競争力のある表現をもたらし、数値的な適合性や構文的な複雑さが科学的信頼性の不十分な指標となる。
既存のアプローチは主に表現の改善に重点を置いているが、サーチは結果の式やスコアをほとんど保持せず、モチベーションやプローブなどの科学的記録を失い、次に何をするかを知らせる。
AutoSR はこの記録を \textbf{Research State} で保存し、各候補方程式を、その分岐に沿って開発された推論、計算証拠、独立レビューと結合する。
プロポーラ-リビューアエージェントは、プログレッシブワイドなモンテカルロ木探索(PW-MCTS)の下でこれらの状態を開発し、競合する調査をまたいだ計算を割り当てる一方、蓄積された研究記録は最終的に、その選択の先導関係と基礎を説明する最終レポートに合成される。
2つのベンチマークスイートから選択された9つの課題のうち、AutoSRは3つのcp3ベンチ問題を含む全てのケースにおいて代数的に等価な関係を回復する。
全体として、AutoSRは、自動科学的調査に向けた方程式レベルの探索から象徴的な回帰を拡張し、科学的知識と蓄積された証拠を探索するものと、結果の方程式がどのように正当化されるかの両方を形作ることができる。
関連論文リスト
- AREX: Towards a Recursively Self-Improving Agent for Deep Research [75.96468303743958]
本稿では,再帰的自己改善型ディープリサーチエージェントであるAREXを紹介する。
AREXは、証拠を集め、暫定的な回答を構築する内部研究ループを交互に構成する。
我々は,エージェント学習と長期強化学習を通じて,AREXを検証済みの合成タスクと高品質な軌道上で訓練する。
論文 参考訳（メタデータ） (2026-07-23T16:05:46Z) - 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) - Sibyl-AutoResearch: Autonomous Research Needs Self-Evolving Trial-and-Error Harnesses, Not Paper Generators [37.075000666622074]
我々はScientific Trial-and-Error Harnessesを中心に構築された自己進化型AutoResearchフレームワークであるSibyl-AutoResearchを紹介した。
ハーネスは、エージェントが有界なトライアルを実行し、肯定的な結果と否定的な結果を保持し、後続の計画、検証、クレームスコープ、スケジューリング、批判、執筆、修復に教訓を導いてくれる。
SIBYLはファイルベースの自律的な研究システムで、状態、役割、メモリ、ゲート、アーティファクトトレースを公開して変換パスを検査する。
論文 参考訳（メタデータ） (2026-05-21T11:29:08Z) - AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration [175.74514061083195]
提案するAutoResearchClawは,5つのメカニズムに基づいて構築されたマルチエージェント自律型研究パイプラインである。
25トピックの実験ステージベンチマークであるARC-Benchでは、AutoResearchClawがAI Scientist v2を54.7%上回っている。
論文 参考訳（メタデータ） (2026-05-19T15:49:51Z) - Discovery of Nonlinear Dynamics with Automated Basis Function Generation [0.0]
AutoSINDyはハイブリッドなDiscovery-then-キュレーションフレームワークである。
これは、シンボリック回帰の探索力と、SINDyの頑健な空間性促進能力を組み合わせたものである。
高い観測ノイズの下でも、接地構造方程式は一貫して回復する。
論文 参考訳（メタデータ） (2026-05-10T18:30:17Z) - Autonomous Agents Coordinating Distributed Discovery Through Emergent Artifact Exchange [3.923443951480117]
ScienceClaw + Infiniteは、独立したエージェントが中央調整なしで研究を行う自律的な科学調査の枠組みである。
システムは3つのコンポーネントで構成されている:300以上の科学スキルの相互運用可能なレジストリ、完全な計算系を保存するアーティファクト層、エージェントベースの科学談話のための構造化プラットフォーム。
論文 参考訳（メタデータ） (2026-03-15T10:06:57Z) - An Empirical Investigation of Neural ODEs and Symbolic Regression for Dynamical Systems [12.033026184739539]
本研究では,NODEが新たな境界条件を効果的に外挿できることを示す。
SRは、入力変数の正しい選択に重点を置いているにもかかわらず、ノイズの多い基底構造データから方程式を回復することに成功した。
この最後の発見は今後の研究分野を浮き彫りにするものだが、NODEを使って限られたデータを豊かにすることは、科学的な発見に有望な新しいアプローチであることを示唆している。
論文 参考訳（メタデータ） (2026-01-28T14:23:59Z) - Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。
近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。
提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
論文 参考訳（メタデータ） (2025-11-12T08:29:39Z) - Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
線形木探索はLarge Language Model (LLM) 研究の基盤となっている。
本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-11T03:29:18Z) - RARE: Retrieval-Aware Robustness Evaluation for Retrieval-Augmented Generation Systems [33.389969814185214]
Retrieval-Augmented Generation (RAG)は、回答の正確性と事実性を高める。
既存の評価では、RAGシステムが現実世界のノイズ、内部と外部の取得したコンテキストの衝突、あるいは急速に変化する事実にどれくらいうまく対処しているかを検査することはめったにない。
本稿では,動的で時間に敏感なコーパス上でのストレステストクエリと文書摂動を共同で行う,統一されたフレームワークと大規模ベンチマークであるRetrieval-Aware Robustness Evaluation (RARE)を紹介する。
論文 参考訳（メタデータ） (2025-06-01T02:42:36Z) - 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)
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。