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
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
基于深度策略梯度的垂直符号回归(VSR-DPG)可以通过将代数规则迭代应用,建立起包含多个输入变量的等式,显著超越了基于深度强化学习的方法和以往的 VSR 变种。
Feb, 2024
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
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
本研究介绍了第一种使用大规模预训练的符号回归方法,通过生成一组不受限方程式并使用 Transformer 预测输入输出对应的符号方程,提高了方程式发现的效率和准确性。
Jun, 2021
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
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
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。