論文の概要: RISR: Residual-Informed Scientific Equation Discovery with Large Language Models

• arxiv url: http://arxiv.org/abs/2610.11387v1
• Date: Thu, 08 Oct 2026 07:17:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.857391
• Title: RISR: Residual-Informed Scientific Equation Discovery with Large Language Models
• Title（参考訳）: RISR:大規模言語モデルを用いた残差インフォームド科学方程式発見
• Abstract要約: RISRは、エラーパターンを用いて公式発見をガイドし、どの修正に相応しいかを学習する残差インフォームド手法である。 RISR は 63.57% と 38.50% の ID 精度を 1% と 0.1% で達成している。 その結果, 残差インフォームド手法により, 数値方程式の回復が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 8.270813909826618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Symbolic regression combines structural search with numerical fitting, but aggregate fit scores do not describe how the remaining error varies across inputs. We introduce RISR, a residual-informed method that uses these error patterns to guide formula discovery and learn which corrections are worth fitting. A residual encoder compresses aligned inputs, targets, current predictions, and residuals into continuous tokens that condition a language model to propose formulas. For subsequent refinement, a dual-view relational encoder uses additive and regularized multiplicative residuals to predict the post-fit utility of candidate corrections. We evaluate RISR on scientific tasks from the LLM-SRBench. RISR achieves 63.57% and 38.50% ID accuracy at the 1% and 0.1% pointwise relative-error tolerances, respectively. The corresponding OOD accuracies are 56.07% and 38.24%. RISR outperforms the reported baselines using the same backbone. The results show that our residual-informed approach can improve numerical equation recovery.
• Abstract（参考訳）: シンボリック回帰は、構造探索と数値フィッティングを組み合わせたものであるが、アグリゲートフィッティングスコアは、残りのエラーが入力間でどのように変化するかを記述していない。 RISRは、これらの誤りパターンを用いて公式の発見をガイドし、どの修正に相応しいかを学習する残差インフォームド手法である。 残余エンコーダは、整列した入力、ターゲット、現在の予測、残余を連続トークンに圧縮する。 その後の改良のために、デュアルビューリレーショナルエンコーダは、追加的および正規化された乗法的残差を用いて、候補修正のポストフィット性を予測する。 LLM-SRBenchによる科学課題におけるRISRの評価を行った。 RISR は 63.57% と 38.50% の ID 精度を 1% と 0.1% で達成している。 OODのアキュラシーは56.07%、38.24%である。 RISRは報告されたベースラインを同じバックボーンで上回る。 その結果, 残差インフォームド手法により, 数値方程式の回復が向上することが示唆された。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Learned Response-Field Inertia Operator for HEC-RAS 2D Water-Surface Elevation Prediction [1.2904450317782683]
  本稿では,HEC-RAS 2Dにおける水面上昇(WSE)予測のための学習済みネイティブセルサロゲートモデルのクロスデータセット評価について述べる。 本稿では,慣性応答演算子を校正する非強制的インクリメントベース学習サロゲートであるLRFIOについて紹介する。 配備期間中のロールアウト時間は0.003 sから0.242 sで、ビーバー・バイユーの測定値の比較では、HEC-RASよりも2.75 x 104の地平線正規化速度が推定される。
  論文  参考訳（メタデータ） (2026-06-04T16:49:35Z)
• PAIR-CI: Calibrated Conditional Independence Testing for Causal Discovery with Incomplete Data [0.0]
  PAIR-CIは非パラメトリック条件独立(CI)テストであり,複数の命令を直接推論手順に統合することによりキャリブレーションを回復する。 確率的に一貫した分散推定器は、クロスバリデーションと多重計算による不確かさを共同で説明する。
  論文  参考訳（メタデータ） (2026-05-06T12:34:37Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Token-Weighted RNN-T for Learning from Flawed Data [12.313800974153542]
  トークン固有の重みでRNN-T目標を増大させるトークン重み付きRNN-T基準を提案する。 トークン重み付きRNN-Tは,この劣化を克服するのに適しており,精度損失の64%～99%を回復することを示した。
  論文  参考訳（メタデータ） (2024-06-26T06:48:11Z)
• Detecting Errors in a Numerical Response via any Regression Model [21.651775224356214]
  ノイズは多くの数値データセットを悩ませ、データ中の記録された値が真の基礎となる値と一致しない可能性がある。 真の誤りと自然データゆらぎを区別する妥当性スコアを導入する。 また,実世界の数値誤差を伴う5つの回帰データセットを含む新しいエラー検出ベンチマークも提案する。
  論文  参考訳（メタデータ） (2023-05-26T02:15:26Z)
• Robustified Multivariate Regression and Classification Using Distributionally Robust Optimization under the Wasserstein Metric [11.383869751239166]
  我々は多変量線形回帰(MLR)と多クラスロジスティック回帰(MLG)のための分布ロバスト最適化(DRO)の定式化を開発する。 我々は DRO の定式化を、正則化が係数行列のノルムである正規化学習問題に緩和する。 実験の結果, MLRは37%, MLGは100%, 予測誤差は37%改善した。
  論文  参考訳（メタデータ） (2020-06-10T22:16:50Z)

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。