Oct, 2021

神经引导基因编程种群种子的符号回归

PDF
TL;DR通过混合神经引导 / 遗传编程方法来优化符号回归问题，表明针对该混合优化方式的神经引导组件可用于改进生产规划初始种群，而分离神经引导和遗传编程组件的生成方式最优，增加了一组 22 个符号回归基准问题。
symbolic regressioncombinatorial optimizationneural-guided searchgenetic programmingmathematical expressions
发现论文，激发创造
  • 符号回归的最新算法与遗传规划的比较

    我们对新兴的符号回归系统进行测试，使用端到端的转换器模型与基于遗传编程的传统方法进行比较，结果表明传统的遗传编程方法仍然优于最近发表的两种符号回归方法。

    Jun, 2024

  • 空间应用中的符号回归：由多目标文化遗传算法推动的可微分笛卡尔遗传编程

    提出了一种利用可微分的 CGP 编码进行多目标进化搜索的 MEMETIC 算法，以学习回归方程中的数值常量，在火星探测器热功率估算和通过陀螺定年法确定恒星年龄两个应用中，该方法显示出与机器学习的黑盒回归模型或手动匹配方法同等或更高的性能。

    Jun, 2022

  • 可控神经符号回归

    本篇论文提出一种名为 NSRwH 的神经符号回归方法，能够结合用户给定的领域知识，实现精确预测表达式的结构，并在实验中表现出良好的准确性。

    Apr, 2023

  • Taylor 遗传规划用于符号回归

    Taylor 遗传编程是一种利用 Taylor 多项式来提取符号方程特征的 SR 问题解决方法，实验证明 Taylor 遗传编程比其他九种基准方法更准确且更快。

    Apr, 2022

  • 可微分遗传规划用于高维符号回归

    本研究提出了一种名为 DGP 的可微分方法，用于高维符号回归，其包括新的数据结构、采样方法和多样化机制等。实验证明，该方法能够有效地优化生成树，取得了在高维回归基准测试中优于同行竞争者的性能，并且即使在不同噪声水平下，也能够实现最佳恢复率。

    Apr, 2023

  • 深度符号回归：通过寻求风险策略梯度从数据中恢复数学表达式

    提出了利用深度学习解决符号回归的框架，该框架使用循环神经网络生成数学表达式分布，并使用新颖的风险寻求策略梯度来训练网络生成更好的拟合表达式。该算法在一系列基准问题中表现优于几种基准方法，包括符号回归的黄金标准 Eureqa。

    Dec, 2019

  • 数据科学的可解释符号回归：对 2022 竞赛的分析

    本研究通过举行 Symbolic Regression 竞赛，基于不同的合成和真实数据集比较了演化算法、枚举算法、混合线性整数规划、神经网络和贝叶斯优化等不同算法在现实世界数据建模方面的表现，并讨论了 Symbolic Regression 算法的挑战和未来发展方向。

    Apr, 2023

  • 动态网络模型的符号回归

    使用复杂系统、网络、遗传编程、符号回归和进化计算等方法，该研究论文介绍了一种用于生成网络结构和发展过程的新型网络生成器，并通过改进的方法和应用于多个数据集的实验证明了其解释性和去中心化特性。

    Dec, 2023

  • 控制变量遗传编程的符号回归

    Control Variable Genetic Programming 利用控制变量实验快速进行符号回归，比起多个独立变量的简单表达，其优于其他基线算法。

    May, 2023

  • 最新符号回归方法的大型基准研究：现状如何？

    本研究对最近遗传规划、符号回归以及机器学习方法在回归问题中的表现进行了广泛的基准测试，并且发现在性能和准确度上，符号回归具有非常强的竞争力，但在运行时间上较缓慢，因此提出了符号回归在机器学习领域推广可能面临的问题。

    Apr, 2018