論文の概要: InsightSR: Refining Symbolic Regression Search Spaces via Parallel Semantic and Structural LLM Guidance
- arxiv url: http://arxiv.org/abs/2608.25291v1
- Date: Wed, 26 Aug 2026 02:04:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.53126
- Title: InsightSR: Refining Symbolic Regression Search Spaces via Parallel Semantic and Structural LLM Guidance
- Title（参考訳）: InsightSR:並列セマンティックおよび構造的LLMガイダンスによるシンボリック回帰検索空間の精製
- Abstract要約: シンボリック回帰は、観測データから同義的な数学的法則を発見しようとする。
我々は、PySRの遺伝的プログラミングエンジンを中心としたガイドレイヤーとして、LLM(Large Language Models)イテレーションを組み込むフレームワークであるInsightSRを紹介する。
- 参考スコア（独自算出の注目度）: 8.272456038469484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symbolic regression (SR) seeks to discover parsimonious mathematical laws from observational data, yet conventional approaches often struggle with the vast combinatorial search space of physically meaningful expressions. We present InsightSR, a framework that embeds Large Language Models (LLMs) as a guiding layer around the PySR genetic programming engine. Rather than relying on LLMs to generate expressions directly, InsightSR uses LLMs to progressively transform the search space itself through two complementary pathways: a Semantic Seed Pathway that proposes dimensionally consistent functional skeletons, and a Structural Feature Pathway that recommends nonlinear feature transformations. These transformations accumulate over iterations, broadening the input space and shifting the symbolic search from constructing deep expression trees over raw variables to assembling shallow trees over a rich, semantically informed feature set. A post-generation feedback loop evaluates candidates, categorizes features by their empirical utility, and refines the guidance for the next iteration, transforming the discovery process from open-ended generation into iterative, self-correcting refinement. Across three benchmarks, InsightSR achieves a 95% exact recovery rate on the Feynman benchmark and 80.18% accuracy on the LLM-SRBench LSR-Transform task, substantially outperforming state-of-the-art genetic programming and neural-symbolic methods while maintaining strong out-of-distribution generalization on real-world datasets.
- Abstract（参考訳）: シンボリック回帰(SR)は、観測データから同義的な数学的法則を発見することを目指しているが、従来の手法は、物理的に意味のある表現の膨大な組合せ探索空間に苦慮することが多い。
我々は、PySRの遺伝的プログラミングエンジンを中心としたガイドレイヤーとして、LLM(Large Language Models)を組み込むフレームワークであるInsightSRを紹介する。
InsightSRは、式を直接生成するためにLLMに頼るのではなく、LLMを使って検索空間自体を2つの補完経路、すなわち次元的に一貫した機能的骨格を提案するセマンティックシードパスと、非線形特徴変換を推奨する構造的特徴パスという、段階的に変換する。
これらの変換は反復的に蓄積され、入力空間を拡大し、シンボル探索は生変数の上に深い表現木を構築することから、リッチで意味的な情報を持った機能セットの上に浅い木を組み立てることへとシフトする。
ポストジェネレーションフィードバックループは、候補を評価し、経験的ユーティリティによって特徴を分類し、次のイテレーションのガイダンスを洗練し、発見プロセスをオープンエンドジェネレーションから反復的自己修正リファインメントに変換する。
3つのベンチマークで、InsightSRはFeynmanベンチマークで95%の正確なリカバリ率、LLM-SRBench LSR-Transformタスクで80.18%の精度を達成し、実世界のデータセットにおける強力なアウト・オブ・ディストリビューションの一般化を維持しながら、最先端の遺伝的プログラミングとニューラル・シンボリックな手法を大幅に上回っている。
関連論文リスト
- Deliberate Evolution: Agentic Reasoning for Sample-Efficient Symbolic Regression with LLMs [52.89778838903305]
Deliberate Evolution (DE) は、検索制御からシンボル生成を分離するエージェントフレームワークである。
LLM-SRBenchの実験では、DEMは様々な科学領域でLLMベースのSRベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-06-03T02:22:16Z) - 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) - Symbolic Regression via Latent Iterative Refinement [8.016092717336457]
単発予測と真の後部とのギャップを埋めるフレームワークであるLatent Equation Embedding (LEE)を提案する。
LEEは、3つのコンポーネントを備えた共有潜在空間Zを学習する。
LEEは、最強の精度指向のベースラインよりも2～10倍単純である。
論文 参考訳（メタデータ） (2026-05-26T16:25:05Z) - Programmatic Context Augmentation for LLM-based Symbolic Regression [65.01826333382738]
大規模言語モデル(LLM)に基づく進化的探索手法が記号回帰に導入されている。
本稿では,プログラム的文脈拡張を取り入れたLLMに基づく進化的検索フレームワークを提案する。
本手法では,データ解析と情報信号抽出を積極的に行うことができる。
論文 参考訳（メタデータ） (2026-05-04T19:34:03Z) - Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。
既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。
本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
論文 参考訳（メタデータ） (2026-04-14T11:36:29Z) - Beyond Error-Based Optimization: Experience-Driven Symbolic Regression with Goal-Conditioned Reinforcement Learning [14.473539776112666]
EGRL-SR(Experience-driven Goal- Conditioned Reinforcement Learning for Regression)という新しいフレームワークを提案する。
目標条件付き強化学習問題として記号回帰を定式化し、後続経験リプレイを取り入れた。
我々は、低エラー表現よりも構造パターンに注目するアクション値ネットワークを奨励する、全点満足度二項報酬関数を設計する。
論文 参考訳（メタデータ） (2026-01-21T06:08:37Z) - Current Challenges of Symbolic Regression: Optimization, Selection, Model Simplification, and Benchmarking [0.0]
記号回帰(SR)は、変数間の関係を記述する数学的表現を見つけることを目的としている。
現在の手法はSRの景観を理解するために常に再評価されなければならない。
この論文は、博士課程全体で行われた一連の研究を通じて、これらの課題に対処する。
論文 参考訳（メタデータ） (2025-12-01T13:48:07Z) - LLM-guided Hierarchical Retrieval [54.73080745446999]
LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。
LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。
我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
論文 参考訳（メタデータ） (2025-10-15T07:05:17Z) - DAMR: Efficient and Adaptive Context-Aware Knowledge Graph Question Answering with LLM-Guided MCTS [28.828541350757714]
本稿では,知識グラフ質問応答(KGQA)のための動的適応MCTSベースの推論(DAMR)を提案する。
DAMRは、MCTS(Monte Carlo Tree Search)と適応経路評価を統合し、コンテキスト対応のKGQAを実現する。
複数のKGQAベンチマークの実験では、DAMRはSOTA法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-08-01T15:38:21Z) - SAFT: Structure-Aware Fine-Tuning of LLMs for AMR-to-Text Generation [50.277959544420455]
SAFTは、事前訓練された言語モデルにグラフトポロジーを注入する構造対応の微調整手法である。
変換されたAMRの磁気ラプラシアンから方向感応的な位置エンコーディングを計算する。
SAFTはAMR 3.0に新しい最先端を設定、ベースラインを3.5BLEU改善した。
論文 参考訳（メタデータ） (2025-07-15T18:12:57Z) - In-Context Symbolic Regression: Leveraging Large Language Models for Function Discovery [5.2387832710686695]
本稿では,記号回帰のタスクにLarge Language Models(LLM)を利用する,最初の包括的フレームワークを紹介する。
In-Context Symbolic Regression (ICSR) は、外部LLMで関数形式を反復的に洗練し、その係数を外部LLMで決定するSR手法である。
以上の結果から,LLMは与えられたデータに適合するシンボリック方程式の発見に成功し,最高のSRベースラインの総合性能を4つのベンチマークで評価した。
論文 参考訳（メタデータ） (2024-04-29T20:19:25Z)
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。