論文の概要: Learning to Design SR Solvers: Harness Optimization for Symbolic Regression

• arxiv url: http://arxiv.org/abs/2610.16966v1
• Date: Mon, 12 Oct 2026 15:33:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 04:00:59.595441
• Title: Learning to Design SR Solvers: Harness Optimization for Symbolic Regression
• Title（参考訳）: SR解の学習:シンボリック回帰のためのハーネス最適化
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.384175583036495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Symbolic regression (SR) seeks explicit equations that explain observed data, and recent methods increasingly employ large language models (LLMs) and agents for equation discovery. However, these systems typically rely on manually designed workflows and prompts. We argue that the SR agent harness should itself be an optimization target: its design shapes search priors and how numerical feedback guides subsequent equation refinement. We therefore propose HarnessSR, a framework for jointly optimizing prompts and workflows to construct reusable SR agents. During both harness optimization and agent execution, HarnessSR supports either PySR or an LLM-based equation generator through tool-specific interfaces, allowing the framework to optimize search guidance for different equation-discovery mechanisms. HarnessSR first optimizes role prompts through equation-discovery feedback in basic workflows, then jointly searches prompt assignments and workflows with brief adaptation to align the two. Finally, it refines role instructions through reflection on residual patterns, candidate equation structures, and search outcomes, improving how these signals guide subsequent equation search. On LSR-Synth in LLM-SRBench, HarnessSR achieves a mean ID $\mathrm{Acc}_{0.01}$ of 61.33% across three backbones, a 45.0% relative improvement over the next-best baseline.
• Abstract（参考訳）: シンボリック回帰(SR)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。 しかしながら、これらのシステムは一般的に手動で設計されたワークフローとプロンプトに依存します。 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ワークフローを協調的に最適化するフレームワークであるHarnessSRを提案する。 HarnessSRは、最適化とエージェント実行の両方において、ツール固有のインターフェースを通じてPySRまたはLLMベースの方程式生成をサポートするため、フレームワークは異なる方程式発見機構の探索ガイダンスを最適化することができる。 HarnessSRはまず、基本的なワークフローにおける方程式発見フィードバックを通じてロールプロンプトを最適化し、次に2つを調整するための簡単な適応でプロンプトの割り当てとワークフローを共同で検索する。 最後に、残差パターン、候補方程式構造、探索結果の反映を通じて役割指示を洗練し、これらの信号がその後の方程式探索をどのように導くかを改善する。 LLM-SRBench の LSR-Synth では、HarnessSR は3つのバックボーンの平均 ID $\mathrm{Acc}_{0.01}$ 61.33% を達成する。

関連論文リスト

• 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)
• VirtualMLE: A Virtual ML Engineer that Optimizes Sequential Recommenders [5.414980501076755]
  我々は、実行、リフレクション、メモリ更新のクローズドループに最適化するレコメンダを整理するLLM-agentフレームワークである textbfVirtualMLE を提案する。 我々は、SASRecとHSTUという2つの代表的なバックボーンを持つ3つのAmazon SRベンチマークでVirtualMLEを評価した。
  論文  参考訳（メタデータ） (2026-06-02T06:31:15Z)
• 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)
• Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
  本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。 そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:16:28Z)
• AnySR: Realizing Image Super-Resolution as Any-Scale, Any-Resource [84.74855803555677]
  我々はAnySRを導入し、既存の任意のスケールのSRメソッドを任意のソース実装に再構築する。 私たちのAnySRは、1)任意のスケールタスクを任意のリソース実装として構築し、追加のパラメータなしで小さなスケールのリソース要件を減らします。 その結果,AnySR は SISR タスクをより効率的な計算方法で実装し,既存の任意のスケールの SISR メソッドに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-07-05T04:00:14Z)
• 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)
• 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)
• GFN-SR: Symbolic Regression with Generative Flow Networks [0.9208007322096533]
  近年,DSR(Deep symbolic regression)がこの分野の一般的な手法として登場している。 ディープラーニングを用いてSRにアプローチするための代替フレームワーク(GFN-SR)を提案する。 GFN-SRは多種多様な最適表現を生成することができる。
  論文  参考訳（メタデータ） (2023-12-01T07:38:05Z)

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。