May, 2023

RSRM: 强化符号回归机

PDF
TL;DR提出了一种新的增强符号回归机 (RSRM) 模型，通过 Monte Carlo 树搜索、双 Q-learning 块和调制子树发现块，可以从极少的数据中学习复杂的数学方程，并取得了关于符号回归的最新性能记录。
symbolic regressionmonte carlo tree searchmath expression treescomplex equationsmodulated sub-tree discovery
发现论文，激发创造
  • MMSR：符号回归为多模态任务

    该研究论文提出了一种名为 MMSR 的方法，通过解决多模态对齐的对比学习问题，将纯符号回归问题转化为一个纯多模态问题，并通过模态特征融合提升了性能，实验结果表明 MMSR 在多个主流数据集上与多个大规模预训练基准模型相比取得了最先进的结果。

    Feb, 2024

  • 深度生成符号回归

    通过利用预训练的深度生成模型来捕捉方程的内在规律，本研究提出了深度生成符号回归（DGSR）框架，实现了具有更高恢复率和更高计算效率的符号回归解决方案。

    Dec, 2023

  • 重新思考符号回归数据集和基准，以促进科学发现

    本研究重新审视了 Symbolic Regression 的数据集和评估标准，旨在探讨其在科学探索中的潜力。我们基于现有物理学讲义上的一组公式重建了 120 个数据集，为每个数据集设计了合理的取样范围，并提出使用标准化编辑距离作为评价指标。通过对五种最先进的 SR 方法和一种基于 Transformer 结构的简单基准线进行实验，结果表明我们提供了更现实的性能评估，并为开展基于机器学习的科学发现打开了新的思路。

    Jun, 2022

  • 贝叶斯符号回归

    本文提出了一种新的基于贝叶斯的符号回归 (SR) 方法，通过添加先验知识，控制复杂度，并利用马尔可夫链蒙特卡罗方法从后验分布中采样符号树，从而提高 SR 模型的可解释性和准确性。与遗传编程相比，该方法更节省计算机内存。

    Oct, 2019

  • 基于 Transformer 的符号回归规划

    提出了一种基于变压器（Transformer）的符号回归规划策略（TPSR），它融合了蒙特卡罗树搜索，允许将准确性和复杂性等非可微反馈信息整合到方程生成过程中，并且在多个数据集上进行的广泛实验表明，TPSR 方法优于现有的方法。

    Mar, 2023

  • 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

  • 利用语法引导符号回归的强化学习方法实现领域知识融合

    本文提出了一种基于强化学习的语法引导符号回归方法，利用上下文无关文法作为强化行动空间来限制表示空间，并且针对物理方程搜索的应用场景，与基于文法和非基于文法的符号回归方法进行比较。实验结果表明，我们的方法在基准测试中具有竞争力，并在误差 - 复杂度权衡方面提供了最佳表现，突出了在实际情况下使用基于文法的方法的优点。

    Feb, 2022

  • 用于科学发现的符号回归的 Transformer 模型

    这篇研究论文介绍了一种新的 Transformer 模型，用于符号回归（Symbolic Regression）特别关注其在科学发现领域的应用。我们提出了三种不断增加灵活性的编码器架构，但代价是列置换等变性的破坏。训练结果表明，最灵活的架构能够防止过拟合。经过训练后，我们应用最佳模型到符号回归科学发现数据集（SRSD 数据集），使用归一化的基于树的编辑距离获得了最新的结果，而且不需要额外的计算成本。

    Dec, 2023

  • GSR: 通用符号回归方法

    介绍了一种名为 GSR 的基于遗传编程的符号回归方法，该方法通过基函数的加权和发现自变量与目标变量之间的关系，并获得了与强符号回归基准方法相当的实验性能，并引入了一种新的符号回归基准集 SymSet。

    May, 2022

  • GFN-SR: 基于生成流网络的符号回归

    用深度学习提出的 GFN-SR 框架在符号回归中模拟表达树的构建，通过学习一个随机策略来顺序生成这些树，这种方法能够生成多样的最佳拟合表达式，在噪声数据环境下优于其他符号回归算法。

    Dec, 2023