論文の概要: SRHarness: A Harness for Agentic Symbolic Regression
- arxiv url: http://arxiv.org/abs/2609.35501v1
- Date: Mon, 28 Sep 2026 16:03:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 21:19:31.783194
- Title: SRHarness: A Harness for Agentic Symbolic Regression
- Title（参考訳）: SRHarness:エージェントシンボリック回帰のハーネス
- Abstract要約: SRHarnessはエージェント記号回帰のためのドメイン固有のハーネスである。
構成可能な科学的行動、永続的な科学的状態、軌道ライフサイクル管理の3つのメカニズムを中心に構築されている。
SRHarnessは、一致したバックボーンの下で数値一般化とシンボル回復の両方を一貫して改善する。
- 参考スコア（独自算出の注目度）: 19.815010915002414
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent agentic symbolic regression approaches increasingly rely on large language models to analyze data, select scientific operations, and refine hypotheses over long search trajectories. In such systems, performance depends not only on the underlying model and search strategy, but also on the runtime infrastructure that supports scientific search. We introduce SRHarness, a domain-specific harness for agentic symbolic regression built around three mechanisms: composable scientific actions that provide a common interface over raw, transformed, and candidate-derived quantities; persistent scientific state that retains evaluated hypotheses and exposes compact model-facing views; and trajectory lifecycle management that coordinates continuation, branching, restart, and termination. On LLM-SRBench, SRHarness consistently improves both numerical generalization and symbolic recovery under matched LLM backbones. With DeepSeek-v4-flash-0731, it achieves 93.69% symbolic accuracy on LSR-Transform, compared with 62.16% for SR-Scientist, and retains 72.97% accuracy on an anonymized variant that removes scientific descriptions and variable semantics, versus 39.64% for SR-Scientist. Under the same DeepSeek-v4-flash-0731 backbone, SRHarness also substantially outperforms Codex (72.97% vs. 20.72%) and reaches performance comparable to Codex with GPT-5.5, while simply providing Codex with the same scientific tools does not reproduce this advantage. These results show that effective agentic symbolic regression depends not only on models or tools, but also on structured runtime support for organizing scientific actions, accumulated hypotheses, and long-horizon search.
- Abstract（参考訳）: 最近のエージェント・シンボリック・レグレッション・アプローチは、データを分析し、科学的操作を選択し、長い探索軌道上で仮説を洗練するための大きな言語モデルに依存している。
このようなシステムでは、性能は基礎となるモデルや探索戦略だけでなく、科学的な探索をサポートするランタイム基盤にも依存する。
SRHarnessは、生、形質転換、および候補由来の量に対して共通のインターフェースを提供する構成可能な科学的行動、評価された仮説を維持し、コンパクトなモデル面のビューを公開する永続的な科学的状態、継続、分岐、再起動、終了を協調する軌道ライフサイクル管理の3つのメカニズムに基づいて構築された、エージェントの象徴的回帰のためのドメイン固有のハーネスである。
LLM-SRBenchでは、SRHarnessは一致したLLMバックボーンの数値一般化とシンボル回復の両方を一貫して改善する。
DeepSeek-v4-flash-0731では、SR-Scientistの62.16%と比較して、LSR-Transformの93.69%のシンボル精度を達成し、SR-Scientistの39.64%に対して、匿名化された変種では72.97%の精度を維持している。
同じDeepSeek-v4-flash-0731のバックボーンの下では、SRHarnessはコーデックス(72.97%対20.72%)を大幅に上回り、GPT-5.5でコーデックスに匹敵する性能に達した。
これらの結果から,効果的なエージェント的記号回帰は,モデルやツールだけでなく,科学的行動の整理,仮説の蓄積,長期探索のための構造化ランタイムサポートにも依存することが示された。
関連論文リスト
- AutoSR: Automatic Symbolic Regression by Searching Research States [7.8693181550915945]
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。
論文 参考訳（メタデータ） (2026-08-17T17:55:26Z) - A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。
A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
論文 参考訳（メタデータ） (2026-08-05T14:01:10Z) - One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。
その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。
12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
論文 参考訳（メタデータ） (2026-06-30T10:54:16Z) - 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) - SWE-RM: Execution-free Feedback For Software Engineering Agents [61.86380395896069]
実行ベースフィードバックは、テストタイムスケーリング(TTS)と強化学習(RL)を通じて、コーディングエージェントの開発に広く利用されている。
対照的に、報酬モデルによる実行不要なフィードバックは、単体テストケースに依存することなく、よりきめ細かい信号を提供することができる。
SWE-RMは,30Bの合計パラメータと3Bのアクティベートされた3Bの混合実験アーキテクチャを採用した,正確で堅牢な報酬モデルである。
論文 参考訳（メタデータ） (2025-12-26T08:26:18Z) - 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) - 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) - A Transformer Model for Symbolic Regression towards Scientific Discovery [11.827358526480323]
記号回帰(SR)は、数値データセットを最もよく記述する数学的表現を探索する。
本稿では, シンボリック回帰に着目した新しいトランスフォーマーモデルを提案する。
我々は、正規化ツリーベース編集距離を用いて、最先端の結果を出力するSRSDデータセットにベストモデルを適用した。
論文 参考訳（メタデータ） (2023-12-07T06:27:48Z)
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。