論文の概要: MOSAIC-SR: Transformer-Guided Symbolic Regression for Scientific Equation Recovery

• arxiv url: http://arxiv.org/abs/2609.20997v1
• Date: Thu, 17 Sep 2026 18:52:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.756232
• Title: MOSAIC-SR: Transformer-Guided Symbolic Regression for Scientific Equation Recovery
• Title（参考訳）: MOSAIC-SR:科学式回復のためのトランスフォーマーガイド付きシンボリック回帰
• Abstract要約: シンボリック回帰は、観測から閉形式方程式を復元することを目的としており、科学的発見のための解釈可能なモデルを提供する。 事前訓練されたトランスフォーマーを用いて複数の初期スケッチを提案するMOSAIC-SRを提案する。 これらのスケッチはいくつかの有望な領域を探索し、広大な表現空間におけるランダムな開始を避ける。 SRSD-Feynmanデータセット上のMOSAIC-SRをダミー変数と6つのベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 0.7489722641968592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Symbolic regression aims to recover closed-form equations from observations, providing interpretable models for scientific discovery. Existing approaches struggle to combine flexible structural search with efficient inference. Search-based methods can refine expression structure but often rely on costly combinatorial optimization with random initialization. Pretrained neural models generate formulas almost instantly, but their predictions often contain symbolic errors. We introduce MOSAIC-SR, which uses a pretrained Transformer to propose multiple initial sketches. These sketches initialize searches in several promising regions, avoiding random starts in the vast expression space. Each search jointly recovers structure and constants through scale-aware constant optimization and local symbolic repair. We evaluate MOSAIC-SR on the SRSD-Feynman dataset with and without dummy variables and on six additional benchmarks. MOSAIC-SR obtains the highest symbolic solution rate on every dataset while ranking among the top two methods in predictive accuracy. This advantage persists in the presence of irrelevant dummy inputs. The results show that learned priors can focus search on promising equation structures, and that numerical optimization and symbolic repair are important for recovery.
• Abstract（参考訳）: シンボリック回帰は、観測から閉形式方程式を復元することを目的としており、科学的発見のための解釈可能なモデルを提供する。 既存のアプローチは、柔軟な構造探索と効率的な推論を組み合わせるのに苦労している。 探索に基づく手法は表現構造を洗練させるが、しばしばランダム初期化によるコストのかかる組合せ最適化に依存する。 事前訓練されたニューラルネットワークは、ほぼ瞬時に公式を生成するが、その予測は象徴的な誤りを含むことが多い。 事前訓練されたトランスフォーマーを用いて複数の初期スケッチを提案するMOSAIC-SRを提案する。 これらのスケッチはいくつかの有望な領域での検索を初期化し、広大な表現空間におけるランダムな開始を避ける。 各サーチは、スケールアウェア定数最適化と局所的なシンボル修復によって、構造と定数を共同で回復する。 SRSD-Feynmanデータセット上のMOSAIC-SRをダミー変数と6つのベンチマークで評価した。 MOSAIC-SRは、予測精度で上位2つの手法にランクインしながら、データセットごとに最も高いシンボリック解率を得る。 この利点は、無関係なダミー入力の存在に持続する。 その結果,学習先行者が期待できる方程式構造に焦点を合わせることができ,数値最適化と記号的修復が回復に重要であることが示された。

関連論文リスト

• SMILE: Bridging Continuous Optimization and Discrete Symbolic Recovery [29.456350389050574]
  記号回帰はデータから閉形式の数学的表現を発見し、ブラックボックスモデルを超えた解釈性を提供する。 本稿では,連続的な勾配に基づく最適化と離散的シンボリックリカバリを組み合わせたハイブリッドフレームワークSMILEを紹介する。 我々は,SRBench上のSMILEを,各成分の妥当性を検証し,地上とブラックボックスのデータセット間で評価した。
  論文  参考訳（メタデータ） (2026-09-04T02:20:00Z)
• 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)
• When Good Equations Get Bad Scores: Improving Symbolic Regression Through Better Parameter Optimization [24.34939435234426]
  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。
  論文  参考訳（メタデータ） (2026-05-22T06:23:28Z)
• 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)
• Efficient Adjoint Matching for Fine-tuning Diffusion Models [47.05085426361986]
  本研究では,テキストベースドリフトとテキスト端末コストでSOC問題を修正し,トレーニング効率を大幅に向上するEMAを提案する。 EAMはAMよりも最大4倍早く収束し、PickScore、ImageReward、HPSv2.1、CLIPScore、Aestheticsなど様々なメトリクスにマッチするか、超える。
  論文  参考訳（メタデータ） (2026-05-12T03:55:12Z)
• 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)
• 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。