論文の概要: SymbolicArena: A Unified Infrastructure for Benchmark Distillation and Dynamic Evaluation in Symbolic Regression
- arxiv url: http://arxiv.org/abs/2609.35113v1
- Date: Mon, 28 Sep 2026 13:15:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 16:53:09.247511
- Title: SymbolicArena: A Unified Infrastructure for Benchmark Distillation and Dynamic Evaluation in Symbolic Regression
- Title（参考訳）: SymbolicArena: シンボリック回帰におけるベンチマーク蒸留と動的評価のための統一インフラストラクチャ
- Abstract要約: 記号回帰は、科学的方程式の発見のためのデータから簡潔で解釈可能な数学的表現を求める。
既存のSRベンチマークは、評価コストとベンチマークの妥当性のトレードオフに直面している。
SymbolicArenaは、ベンチマーク蒸留と動的評価のための統一されたインフラを提供する。
- 参考スコア（独自算出の注目度）: 24.093054008394393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symbolic regression (SR) seeks concise and interpretable mathematical expressions from data for scientific equation discovery. Existing SR benchmarks face a tradeoff between evaluation cost and benchmark validity. Repeated evaluation of large task pools is expensive, and compact benchmarks lack systematic evidence of preserved task diversity and algorithm discriminability. SymbolicArena provides a unified infrastructure for benchmark distillation and dynamic evaluation. The framework standardizes 664 heterogeneous tasks with executable ground truth expressions and distills the Full Task Set into Core50, a validated benchmark of 50 tasks. The distillation process preserves task coverage and algorithm discrimination under explicit balance constraints. SymbolicArena applies a unified execution protocol to heterogeneous SR algorithms and produces comparable outputs and search trajectories. Multi Axis Evaluation characterizes numerical quality, symbolic quality, and search behavior. Core50 reduces evaluation workload by 92.5% and maintains agreement with Full Task Set evaluations. Experiments show that SymbolicArena achieves 72.6% to 86.7% lower approximation error than alternative selectors, further supporting its fidelity to the Full Task Set. Evaluation reveals a substantial gap between numerical fitting and symbolic recovery across current SR methods, suggesting that reliable equation recovery remains an open challenge.
- Abstract（参考訳）: 記号回帰(SR)は、科学方程式の発見のためのデータから簡潔で解釈可能な数学的表現を求める。
既存のSRベンチマークは、評価コストとベンチマークの妥当性のトレードオフに直面している。
大きなタスクプールの繰り返し評価は高価であり、コンパクトなベンチマークでは、保存されたタスクの多様性とアルゴリズムの識別可能性の体系的な証拠が欠如している。
SymbolicArenaは、ベンチマーク蒸留と動的評価のための統一されたインフラを提供する。
このフレームワークは、664の異種タスクを実行可能基底真理表現で標準化し、50タスクの検証済みベンチマークであるFull Task SetをCore50に蒸留する。
蒸留プロセスは、明示的なバランス制約の下でタスクカバレッジとアルゴリズムの識別を保持する。
SymbolicArenaは異種SRアルゴリズムに統一的な実行プロトコルを適用し、同等の出力と探索軌道を生成する。
多軸評価は, 数値的品質, 記号的品質, 探索行動を特徴付ける。
Core50は、評価作業の負荷を92.5%削減し、フルタスクセット評価との合意を維持している。
実験の結果、SybolicArenaは代替セレクタよりも72.6%から86.7%低い近似誤差を達成し、さらにフルタスクセットへの忠実性を支持している。
数値フィッティングとシンボルリカバリの間には,現在のSR法ではかなりのギャップがみられ,信頼性の高い方程式のリカバリが未解決の課題であることを示唆している。
関連論文リスト
- TraceDance: An Automated System for Building Agent Behavior Benchmarks from Real-World Agent Deployment Traces [49.561879967469714]
TraceDanceは、ユーザが指定した望ましくない振る舞いのデプロイメントトレースからターゲットベンチマークを構築するエージェントシステムである。
効率的な構築のために、Anchor-and-Confirmはプログラム可能な検索と、Flash大言語モデルによる候補レベルの確認を組み合わせる。
コーディングと一般的なツールの実験では、252,557のセッションで描画され、ビルドターゲット要求の95.3%を満たす4,125のインスタンスで107のベンチマークを生成する。
論文 参考訳（メタデータ） (2026-09-27T06:58:39Z) - Accuracy, Stability, and Repeated-Run Reliability of Large Language Models on Deterministic Programming Tasks [0.8699677835130409]
ランレベルのパスレートは、リトライフリーのカバレッジを最大17.8ポイント上回っている。
本稿では,実行レベルの精度,再試行自由度,確率ごとの変動率を指標とした繰り返し実行評価プロトコルを提案する。
論文 参考訳（メタデータ） (2026-05-30T23:03:05Z) - Rethinking LLM Evaluation: Can We Evaluate LLMs with 200x Less Data? [82.09573568241724]
EssenceBenchは反復遺伝的アルゴリズム(GA)を利用した粗粒度フレームワーク
提案手法は, 再構成誤差が低く, 効率が著しく向上した, 優れた圧縮結果が得られる。
HellaSwagベンチマーク(10Kサンプル)では,25倍少ないサンプルを用いて,全モデルが5%以内の順位を保ち,わずか200倍少ないサンプルを用いて,95%未満のランキング保持シフトを達成している。
論文 参考訳（メタデータ） (2025-10-12T05:38:10Z) - Fast Symbolic Regression Benchmarking [0.0]
記号回帰はデータから数学的モデルを明らかにする。
ベンチマークは、"the one"式形式のリカバリを強調し、コンピュータ代数システムにのみ依存する。
我々は、許容可能な表現のキュレートされたリストを導入することで、これらの問題を改善した。
論文 参考訳（メタデータ） (2025-08-20T07:12:44Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - 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) - Call for Action: towards the next generation of symbolic regression benchmark [2.7253033812941387]
記号回帰は解釈可能な数学的表現を発見するための強力なテクニックである。
SR手法のベンチマークはアルゴリズム、データセット、評価基準の多様性のために依然として難しい。
論文 参考訳（メタデータ） (2025-05-06T21:02:20Z) - RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。
事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。
実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
論文 参考訳（メタデータ） (2024-08-02T13:35:11Z) - Reducing Variance in Temporal-Difference Value Estimation via Ensemble
of Deep Networks [109.59988683444986]
MeanQは単純なアンサンブル法であり、ターゲット値をアンサンブル平均として推定する。
本稿では,Atari Learning Environmentベンチマークを用いた実験において,MeanQが顕著なサンプル効率を示すことを示す。
論文 参考訳（メタデータ） (2022-09-16T01:47:36Z)
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。