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
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
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
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
本篇论文提出一种利用符号回归技术和 FPGA 实现的机器学习模型优化算法,成功地将一个由 3 层神经元组成的模型大幅优化,准确率超过 90%,执行时间缩短了 13 倍。
May, 2023
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
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
该研究介绍了一种终端到端框架,用于获得解决 PDE 的数学表达式,并使用训练有素的 PINN 生成数据集,使用文法来描述符号表达式空间,并使用 DPA 对其进行修剪以提高可解释性。平均而言,修剪使 DPA 的参数减少 95.3%,同时保持与 PINN 相同的准确性,而且平均而言,修剪将 DPA 的准确性提高了 7.81%。此外,该框架在复杂的 PDE 系统上表现优于现有的 SR 解算器。
Mar, 2023