論文の概要: MorphingNet: Symbolic Regression Where the Network Is the Formula

• arxiv url: http://arxiv.org/abs/2610.19942v1
• Date: Wed, 14 Oct 2026 10:26:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.101376
• Title: MorphingNet: Symbolic Regression Where the Network Is the Formula
• Title（参考訳）: MorphingNet: ネットワークがフォーミュラであるシンボリック回帰
• Abstract要約: MorphingNetはパラメータとして各関数の形式を訓練するため、SRは1つの連続最適化問題となる。 トレーニングは密度の高い線形代数であるため、GPUに親しみやすく、大規模データにスケールする。 MorphingNet state-of-the-art accuracy on SRBenchは、合成ベンチマーク上のほとんどの生成式を復元し、大規模データ上では最強探索法よりも最大2桁高速である。
• 参考スコア（独自算出の注目度）: 10.836335397768023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce MorphingNet, a network for symbolic regression (SR) whose units change their function continuously. Instead of searching over expressions built from a fixed operator library, MorphingNet trains the form of each function as a parameter, so SR becomes one continuous optimization problem. Its units are either pole-free rational functions or complex exponential--logarithm functions, which move between exponentials, sinusoids, damped oscillations, power laws and logarithms as their parameters change. The network is a readable formula at every step of training, and no operator library is needed to train it; a structure-recovery step afterwards rewrites the trained formula into short elementary expressions. Training is dense linear algebra, so it is GPU-friendly and scales to large data. MorphingNet achieves state-of-the-art accuracy on SRBench, recovers most generating formulas on synthetic benchmarks, and on large data is up to two orders of magnitude faster than the strongest search method. By turning the search for a formula into the training of a network, MorphingNet offers a new paradigm for SR and for scientific discovery from data.
• Abstract（参考訳）: シンボルレグレッション(SR)のためのネットワークであるMorphingNetを紹介し,そのユニットが連続的に機能を変更する。 固定演算子ライブラリから構築された式を検索する代わりに、MorphingNetはパラメータとして各関数の形式を訓練する。 単位は極自由有理関数か複素指数対数関数のいずれかであり、指数関数、正弦波、減衰振動、パワー法則、対数の間を移動してパラメータが変化する。 ネットワークは訓練のすべての段階で可読な公式であり、訓練には演算子ライブラリが不要である。 トレーニングは密度の高い線形代数であるため、GPUに親しみやすく、大規模データにスケールする。 MorphingNetはSRBenchで最先端の精度を達成し、合成ベンチマークで生成するほとんどの公式を復元する。 公式の探索をネットワークのトレーニングに変換することで、MorphingNetはSRの新しいパラダイムとデータからの科学的発見を提供する。

関連論文リスト

• MesaNet: Sequence Modeling by Locally Optimal Test-Time Training [67.45211108321203]
  我々は,最近提案されたMesa層の数値的に安定かつチャンクワイズ可能な並列化版を導入する。 テストタイムの最適トレーニングにより、従来のRNNよりも言語モデリングの難易度が低く、ダウンストリームベンチマークのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2025-06-05T16:50:23Z)
• Generative Pre-Trained Transformer for Symbolic Regression Base In-Context Reinforcement Learning [12.660401635672967]
  観測データから数学的公式を見つけることは、科学研究の大きな要求である。 フォーミュラGPTは4つのベースラインと比較して適合性において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-04-09T14:08:47Z)
• MMSR: Symbolic Regression is a Multimodal Task [12.660401635672967]
  記号回帰は、もともと最適化問題として定式化され、GPと強化学習アルゴリズムがそれを解決するために用いられた。 この問題を解決するために、研究者はデータから表現へのマッピングを翻訳問題として扱う。 本稿では,複数の主流データセット上で最も高度な結果が得られるMMSRを提案する。
  論文  参考訳（メタデータ） (2024-02-28T08:29:42Z)
• MetaSymNet: A Tree-like Symbol Network with Adaptive Architecture and Activation Functions [12.344379563265395]
  そこで我々はMetaSymNetを提案する。MetaSymNetは,その構造をリアルタイムで調整し,拡張と収縮の両立を可能にするニューラルネットワークである。 我々は,MetaSymNetの性能を,10以上の公開データセットにわたる4つの最先端のシンボル回帰アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2023-11-13T13:27:59Z)
• A Recursively Recurrent Neural Network (R2N2) Architecture for Learning Iterative Algorithms [64.3064050603721]
  本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。 本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
  論文  参考訳（メタデータ） (2022-11-22T16:30:33Z)
• SymFormer: End-to-end symbolic regression using transformer-based architecture [2.2049183478692584]
  そこで我々はSymFormerという変圧器に基づく手法を提案し,各シンボルと対応する定数を同時に出力することで式を予測する。 我々は,SymFormerが2つの最先端メソッドを高速な推論で上回り,その性能をベンチマークで示す。
  論文  参考訳（メタデータ） (2022-05-31T13:01:50Z)
• Batch Normalization with Enhanced Linear Transformation [73.9885755599221]
  線形変換モジュールを適切に拡張することで、バッチ正規化(BN)の能力を効果的に改善できる 私たちのメソッドはBNETと呼ばれ、ほとんどのディープラーニングライブラリで2～3行のコードで実装できます。 我々は、BNETがネットワークトレーニングの収束を加速し、より大きな重み付けで重要なニューロンを割り当てることで空間情報を強化することを検証する。
  論文  参考訳（メタデータ） (2020-11-28T15:42:36Z)
• OccamNet: A Fast Neural Model for Symbolic Regression at Scale [11.463756755780583]
  OccamNetは、データに適合する解釈可能でコンパクトでスパースなシンボルを見つけるニューラルネットワークモデルである。 本モデルでは,効率的なサンプリングと関数評価を行い,関数上の確率分布を定義する。 解析的および非解析的関数、暗黙的関数、単純な画像分類など、様々な問題に対する記号的適合を識別することができる。
  論文  参考訳（メタデータ） (2020-07-16T21:14:45Z)
• Optimizing Memory Placement using Evolutionary Graph Reinforcement Learning [56.83172249278467]
  大規模検索空間を対象とした進化グラフ強化学習(EGRL)を提案する。 我々は、推論のために、Intel NNP-Iチップ上で、我々のアプローチを直接訓練し、検証する。 また,NNP-Iコンパイラと比較して28～78%の高速化を実現している。
  論文  参考訳（メタデータ） (2020-07-14T18:50:12Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。