論文の概要: EvoMO-SR: Multiobjective LLM-based Evolution of Symbolic Expressions with substructure guidance
- arxiv url: http://arxiv.org/abs/2609.36187v1
- Date: Mon, 28 Sep 2026 19:53:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.978412
- Title: EvoMO-SR: Multiobjective LLM-based Evolution of Symbolic Expressions with substructure guidance
- Title（参考訳）: EvoMO-SR: サブストラクチャガイダンスを用いた多目的LLMに基づく記号表現の進化
- Abstract要約: EvoMO-SRは、大規模言語モデルを用いたシンボリック回帰問題を解くための新しいフレームワークである。
LSR-Synthの8つのドメイン内設定と外部設定のうち7つのドメイン内設定のうち7つは、EvoMO-SRが最も正確であることを示す。
また、正準化サブツリー重なりと項マッチングに基づく2つのシンボル精度指標を用いて構造回復を評価する。
- 参考スコア（独自算出の注目度）: 4.24307083973047
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symbolic Regression (SR) is a data-driven method for scientific discovery which searches for interpretable analytical relationships within data. Recently, Large Language Models (LLMs) have also had a significant impact on scientific discovery, enabling the automation of various stages of the process. For these reasons, the possibility of harnessing the embedded scientific knowledge and programming capabilities of LLMs to solve SR tasks has emerged, showing promising performance compared with traditional methods. We propose EvoMO-SR, a novel LLM-driven SR framework in which the LLM generates equation skeletons, with their coefficients fitted separately by an external optimizer. The framework includes a multi-objective survival selection which controls bloating by balancing accuracy and complexity, and a substructure guidance mechanism which mutates expressions with candidate reusable building blocks. EvoMO-SR achieves the best accuracy in seven of the eight in-domain and out-of-domain settings for LSR-Synth, using a small LLM model, i.e., Llama-3.1-8B-Instruct. We also evaluated structural recovery through two symbolic accuracy metrics based on canonicalized subtree overlap and term matching, showing that our method has a greater probability of recovering highly accurate symbolic structures.
- Abstract（参考訳）: シンボリック回帰(英: Symbolic Regression、SR)は、データ内の解釈可能な分析関係を探索する科学的発見のためのデータ駆動手法である。
近年、LLM(Large Language Models)も科学的発見に大きな影響を与え、プロセスの様々な段階の自動化を可能にしている。
これらの理由から、LLMの科学知識とプログラミング能力を活用してSRタスクを解く可能性が浮上し、従来の手法と比較して有望な性能を示した。
本稿では, LLM が方程式骨格を生成する新しい LLM 駆動SR フレームワークである EvoMO-SR を提案する。
このフレームワークは、精度と複雑さのバランスをとることによって肥大を制御する多目的サバイバル選択と、表現を再利用可能なビルディングブロックに変異させるサブ構造誘導機構を含む。
EvoMO-SRは、Llama-3.1-8B-Instructという小さなLCMモデルを用いて、LSR-Synthの8つのドメイン内設定と外部設定のうち7つのドメインで最高の精度を達成する。
また,正準化サブツリー重なりと項マッチングに基づく2つのシンボル精度指標を用いて構造回復の評価を行い,高い精度のシンボル構造を復元する確率が高いことを示した。
関連論文リスト
- InsightSR: Refining Symbolic Regression Search Spaces via Parallel Semantic and Structural LLM Guidance [8.272456038469484]
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。
論文 参考訳（メタデータ） (2026-08-26T02:04:20Z) - MOT-SR: Multi-Objective Tool-Augmented Scientific Equation Discovery with Large Language Models [23.532834629603798]
シンボリック回帰(SR)は、観測データから解析方程式を発見することを目的としている。
我々はMOT-SR(Multi-Objective Tool-augmented Symbolic Regression)を提案する。
MOT-SRは外部分析ツールを統合し、構造的先行点を抽出し、導出方程式を生成する。
論文 参考訳（メタデータ） (2026-07-31T15:52:07Z) - 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) - 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) - Agentic Reinforced Policy Optimization [66.96989268893932]
検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。
現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。
エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
論文 参考訳（メタデータ） (2025-07-26T07:53:11Z) - 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) - Large Language Models are Good Relational Learners [55.40941576497973]
本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。
従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
論文 参考訳（メタデータ） (2025-06-06T04:07:55Z) - DrSR: LLM based Scientific Equation Discovery with Dual Reasoning from Data and Experience [14.093206703519103]
DrSRは、データ駆動の洞察と反射学習を組み合わせて、堅牢性と発見能力の両方を強化するフレームワークである。
物理学、化学、生物学、材料科学における学際的なデータセットにわたる実験は、DrSRが有効な方程式率を大幅に改善することを示した。
論文 参考訳（メタデータ） (2025-06-04T04:52:34Z) - 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。