論文の概要: L2G-SR: Learning to Guide LLM-based Symbolic Regression

• arxiv url: http://arxiv.org/abs/2610.20685v1
• Date: Wed, 14 Oct 2026 16:39:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:15.982044
• Title: L2G-SR: Learning to Guide LLM-based Symbolic Regression
• Title（参考訳）: L2G-SR:LLMに基づくシンボリック回帰の学習
• Abstract要約: L2G-SRはLLMベースのシンボリックレグレッションのためのフレームワークである。 学習された構造検証器で探索をガイドする。 LLM-SRBenchでは、L2G-SRは最先端の数値適合性、方程式レベルの精度、TEDを達成する。
• 参考スコア（独自算出の注目度）: 10.359275364697087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Symbolic regression searches for an equation that explains observed data. Numerical error is commonly used to guide the search, but it alone can favor an accurate surrogate over a candidate with the right structure. We propose L2G-SR, a framework for LLM-based symbolic regression that guides search with a learned structural verifier. We construct structural supervision signal using tree edit distance (TED), accounting for commutative operators and alternative expression forms. A verifier first aligns numerical observations with the formulas, then learns to score a candidate's structural similarity to the target formula. At search time, the target formula is hidden and the verifier complements numerical error in parent selection. An analyst then uses verifier feedback and diagnostic tools to propose revisions, which a generator converts into refined expressions. On LLM-SRBench, L2G-SR achieves state-of-the-art numerical fit, equation level accuracy and TED across the evaluated LLM backbones and domains. L2G-SR demonstrates the value of learned structural guidance for LLM-based symbolic regression.
• Abstract（参考訳）: シンボリック回帰は、観測データを説明する方程式を探索する。 数値誤差は探索を導くのによく用いられるが、正しい構造を持つ候補に対して正確な代理を求めることはできる。 我々はL2G-SRを提案する。L2G-SRはLLMに基づく記号回帰のためのフレームワークで、学習された構造検証器を用いて探索をガイドする。 木編集距離(TED)を用いて,可換演算子と代替表現形式を考慮した構造的監視信号を構築する。 検証器はまず、数値的な観測を式と整列させ、それから候補の構造的類似性を目標の式とスコアリングする。 探索時には、対象の式を隠蔽し、検証器は親選択における数値誤差を補完する。 アナリストは検証者フィードバックと診断ツールを使用してリビジョンを提案し、ジェネレータが洗練された表現に変換する。 LLM-SRBenchでは、L2G-SRは評価されたLLMバックボーンとドメインをまたいだ最先端の数値適合、方程式レベルの精度、TEDを実現する。 L2G-SRは、LLMに基づくシンボリックレグレッションのための学習された構造ガイダンスの価値を示す。

関連論文リスト

• EvoMO-SR: Multiobjective LLM-based Evolution of Symbolic Expressions with substructure guidance [4.24307083973047]
  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。
  論文  参考訳（メタデータ） (2026-09-28T19:53:19Z)
• 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)
• VaLiDRec: Variable-Length LLM-Aligned Semantic IDs for Generative Recommendation [39.59701442467294]
  VaLiDRecは、可変長LLM対応セマンティック識別子に基づく生成レコメンデーションフレームワークである。 ユーザの好みをモデル化するために、VaLiDRecはグラフ対応のソフトプロンプトを導入し、トークンセット予測としてレコメンデーションを再構成する。 実世界の4つのデータセットの実験では、VaLiDRecは、強い、シーケンシャルな生成推奨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） (2026-07-28T02:29:10Z)
• LLM-as-a-Verifier: A General-Purpose Verification Framework [74.40111651545979]
  本稿では,汎用検証フレームワーク LLM-as-a-Verifier を紹介する。 追加のトレーニングを必要とせずに、エージェントタスクに対してきめ細かいフィードバックを提供する。 いくつかのベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-06T17:59:35Z)
• 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)
• Evaluating Embedding Generalization: How LLMs, LoRA, and SLERP Shape Representational Geometry [0.0]
  本研究では,SLERPモデルがタスク固有適応によって導入された超特殊化を緩和する程度について検討する。 モデルの4つのファミリを比較する: ゼロから訓練された非LLMエンコーダ、パラメータ係数法(LoRA)に適応したLLMベースのエンコーダ、LoRAを用いたLLMベースのエンコーダ、ベースウェイトにマージしたモデルスープ、および同じLoRA適応LLMはチェックポイントやステージをまたいだSLERPを用いてマージされる。
  論文  参考訳（メタデータ） (2025-11-16T17:28:06Z)
• CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
  評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。 数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。 我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
  論文  参考訳（メタデータ） (2025-08-05T17:55:24Z)
• DARG: Dynamic Evaluation of Large Language Models via Adaptive Reasoning Graph [70.79413606968814]
  本稿では,適応推論グラフ展開(DARG)によるLCMの動的評価を導入し,複雑性と多様性を制御した現在のベンチマークを動的に拡張する。 具体的には、まず現在のベンチマークでデータポイントの推論グラフを抽出し、それから推論グラフを摂動させて新しいテストデータを生成する。 このような新しく生成されたテストサンプルは、元のベンチマークと同様の言語的多様性を維持しながら、複雑さのレベルが異なる可能性がある。
  論文  参考訳（メタデータ） (2024-06-25T04:27:53Z)

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。