論文の概要: DASS: A Solver-Adaptable Dynamic Auxiliary Search Strategy for Symbolic Regression

• arxiv url: http://arxiv.org/abs/2610.16812v1
• Date: Mon, 12 Oct 2026 13:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:27:23.818921
• Title: DASS: A Solver-Adaptable Dynamic Auxiliary Search Strategy for Symbolic Regression
• Title（参考訳）: DASS:シンボリック回帰のためのソルバー適応型動的補助探索戦略
• Abstract要約: 本稿では,解法適応型動的補助探索戦略であるDASSを提案する。 DASSは補助探索空間を、高次基底関数項の集合で区切られた機能部分空間として表現する。 マルチ環境評価、不安定なガイダンスのフィルタリング、およびGibs後続の潜在的スコアの更新を通じて、項効用を見積もる。 DASSは、実行時の管理可能な増加により、元の解決器の精度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 21.007837685739602
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Symbolic regression (SR) aims to discover interpretable mathematical expressions from data and plays a key role in scientific discovery. However, existing methods face a common bottleneck: the enormous search space and severe combinatorial explosion make it difficult to achieve a favorable trade-off between accuracy and algorithmic efficiency. We argue that, in addition to designing increasingly complex solver-specific SR strategies, an equally promising direction is to equip them with a shareable auxiliary strategy that can provide reliable search guidance. To this end, we propose DASS, a solver-adaptable Dynamic Auxiliary Search Strategy that improves SR by constructing and refining a high-potential auxiliary search subspace. DASS represents the auxiliary search space as a functional subspace spanned by a set of high-potential basis function terms. It estimates term utility through multi-environment evaluation, filters unstable guidance, and updates term potential scores with a Gibbs posterior, thereby calibrating the subspace to provide more reliable guidance for downstream solvers. The high-quality solutions produced by the solver are used to update the set of basis terms. This forms a virtuous closed-loop optimization process: the subspace guides the downstream solver, and the solver feedback reshapes the subspace for subsequent exploration. DASS can be easily integrated with various types of SR solvers. Extensive experiments on LLM-SRBench show that DASS significantly improves the accuracy of original solvers with a manageable increase in runtime.
• Abstract（参考訳）: 記号回帰(SR)は、データから解釈可能な数学的表現を発見し、科学的発見において重要な役割を果たすことを目的としている。 しかし、既存の手法は、巨大な探索空間と激しい組合せ爆発によって、精度とアルゴリズムの効率のトレードオフを達成できないという共通のボトルネックに直面している。 我々は、より複雑な解法固有のSR戦略を設計することに加えて、信頼できる探索ガイダンスを提供するための共有可能な補助戦略をそれらに提供することを同様に有望な方向として論じる。 この目的のために,高能率補助探索部分空間の構築と精錬によりSRを改善する解法適応型動的補助探索戦略であるDASSを提案する。 DASSは補助探索空間を、高次基底関数項の集合で区切られた機能部分空間として表現する。 マルチ環境評価により項効用を推定し、不安定なガイダンスをフィルタし、Gibs後部で項ポテンシャルスコアを更新することにより、サブスペースを校正し、下流のソルバに対してより信頼性の高いガイダンスを提供する。 解法によって生成される高品質な解は、基底項の集合を更新するために用いられる。 これは厳密な閉ループ最適化プロセスを形成し、サブスペースは下流のソルバを案内し、ソルバのフィードバックは後続の探索のためにサブスペースを再設定する。 DASSは様々な種類のSRソルバと容易に統合できる。 LLM-SRBenchでの大規模な実験により、DASSは実行時の管理可能な増加を伴う元の解決器の精度を大幅に向上することが示された。

関連論文リスト

• Learning to Design SR Solvers: Harness Optimization for Symbolic Regression [12.384175583036495]
  シンボリック回帰は、観測されたデータを説明する明示的な方程式を求め、最近の手法では、より大きな言語モデル(LLM)と方程式発見のためのエージェントをますます採用している。 我々は、SRエージェントのハーネス自体が最適化対象であるべきだと論じる。 そこで我々は、再利用可能なSRエージェントを構築するためのプロンプトと改善を共同で最適化するフレームワークであるHarnessSRを提案する。
  論文  参考訳（メタデータ） (2026-10-12T15:33:21Z)
• QR-Erase: Efficient Subspace-Based Machine Unlearning with Layer Localization [7.530890774798437]
  機械学習は、訓練されたモデルからターゲットとなる情報を、高価なリトレーニングを必要とせずに取り除こうとする。 サブスペースベースのフレームワークであるQR-Eraseを導入する。 本稿では,有界誤差による精度の高い部分空間復元を実現すること,また,軽度スペクトルギャップ条件下では,回復した部分空間が最適SVD解に近づくことを示す。
  論文  参考訳（メタデータ） (2026-08-02T18:08:56Z)
• Step-by-Step Optimization-like Reasoning in LLMs over Expanding Search Spaces [63.82675722580452]
  OPT*は、LLMのステップバイステップ最適化のような推論を訓練し評価するための最適化スタイルのタスクのファミリーである。 各タスクは実現可能性チェッカーと評価器を提供し、一方、複雑性パラメータは新しい人間ラベルを必要とせずに検索スペースを拡大する。 OPT*のトレーニングは、ステップバイステップの最適化のような推論を改善する。
  論文  参考訳（メタデータ） (2026-06-03T21:43:38Z)
• 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)
• When should I search more: Adaptive Complex Query Optimization with Reinforcement Learning [26.489185170468062]
  適応複雑クエリ最適化(ACQO)と呼ばれる新しいRLフレームワークを提案する。 我々のフレームワークは、いつ、どのように検索プロセスを拡張するかを適応的に決定するように設計されている。 ACQOは3つの複雑なクエリベンチマークで最先端のパフォーマンスを達成し、確立されたベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-01-29T03:16:53Z)
• Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
  拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。 既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。 本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
  論文  参考訳（メタデータ） (2025-12-28T05:48:55Z)
• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
  現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。 標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。 我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。 本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
  論文  参考訳（メタデータ） (2023-04-01T15:50:18Z)
• Accelerating Inverse Learning via Intelligent Localization with Exploratory Sampling [1.5976506570992293]
  逆問題の解決は 物質と薬物発見の 長年の課題です 近年,逆問題の解法として深部生成モデルが提案されている。 逆学習を高速化する新しい手法(iPage)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T08:00:04Z)
• Fast Distributionally Robust Learning with Variance Reduced Min-Max Optimization [85.84019017587477]
  分散的ロバストな教師付き学習は、現実世界のアプリケーションのための信頼性の高い機械学習システムを構築するための重要なパラダイムとして登場している。 Wasserstein DRSLを解くための既存のアルゴリズムは、複雑なサブプロブレムを解くか、勾配を利用するのに失敗する。 我々はmin-max最適化のレンズを通してwaserstein drslを再検討し、スケーラブルで効率的に実装可能な超勾配アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-04-27T16:56:09Z)

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。