Nov, 2023

MetaSymNet：一个具备进化到任意公式能力的动态符号回归网络

PDF
TL;DR我们提出 MetaSymNet，这是一种新颖的神经网络，通过动态调整其结构，允许扩展和收缩，将神经网络演化成简明、可解释的数学表达式，并在多个公共数据集上表现出优于其他算法的性能，而且在机器学习算法的拟合能力和外推能力方面均表现出优异的特点。
发现论文，激发创造
  • 基于神经引导动态符号网络的数学表达式探索

    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

  • SymbolNet: 自适应动态修剪的神经符号回归

    基于神经网络的符号回归方法中引入了动态修剪，用于同时优化训练损失和表达复杂度，通过稀疏正则化适应性地调整修剪类型的目标稀疏度，并在多个数据集上证明了其有效性。

    Jan, 2024

  • 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

  • Sym-Q：符号回归的自适应序贯决策

    Symbolic Q-network (Sym-Q) 是一种基于强化学习的模型，重新定义了符号回归作为一种顺序决策任务，通过奖励信号对表达式的匹配精度进行优化，从而在发现潜在表达式方面具有独特的能力和效率。

    Feb, 2024

  • PruneSymNet：符号回归的符号神经网络和剪枝算法

    提出了一种符号回归的符号网络 PruneSymNet，使用了贪婪修剪算法与波束搜索相结合的方法来获得最优解和多个候选表达式，并在公共数据集上进行了测试以及与流行算法的比较，结果表明该算法具有更好的准确性。

    Jan, 2024

  • 符号数学的深度学习

    本文展示神经网络在数学方面的应用，如符号积分和求解微分方程。提出了一套数学问题表示法和生成大规模数据集进行序列到序列模型训练的方法，并获得了超越 Matlab 或 Mathematica 等商业计算机代数系统的结果。

    Dec, 2019

  • 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

  • 离散时间动力系统的可解释模型的表达式符号回归

    通过对修正的 SymANNTEx 模型进行权重正则化和信息论简化，本研究在识别经典混沌映射中成功识别单状态映射，并在逼近双状态吸引子方面取得了适度的成果，这为基于数据的科学发现和解释提供了重要的前景。

    Jun, 2024

  • 通过符号方程学习生成灵活的黑盒优化器

    通过符号方程学习，本文提出了一种名为 Symbol 的新框架，自动发现黑盒优化器，并通过深度强化学习的方式进行元学习，实现了超越现有基准模型的优化器，并展现了卓越的零样本泛化能力。

    Feb, 2024

  • 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