动态网络模型的符号回归
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
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。
Oct, 2021
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。
Nov, 2023
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
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
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
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
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
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