控制变量的神经符号回归
多视图符号回归(MvSR)方法考虑多个同时存在的数据集,以模拟实验环境并输出一个通用参数解,可以准确拟合所有数据集,能够恢复已知表达式并找到有前景的替代方案,从而使符号回归方法在广泛的实验场景下可用。
Feb, 2024
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
本研究提出了一种通过计算机视觉构建符号表达式变换器来解决基于样本的符号回归模型的通用性和效率受限的问题,并在一个不重复数据集上进行了测试。
May, 2022
我们提出了 DySymNet,这是一个新颖的神经引导的动态符号网络,用于符号回归。通过对各种结构进行优化,我们能够更好地识别与数据更匹配的表达式,在低维和高维问题中都能取得卓越的性能。
Sep, 2023
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
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
Symbolic regression is improved by Racing Control Variable Genetic Programming (Racing-CVGP), which carries out multiple experiment schedules simultaneously and outperforms other regressors.
Sep, 2023