Feb, 2024

Sym-Q：符号回归的自适应序贯决策

PDF
TL;DRSymbolic 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。
symbolic regressiontransformer-based modelsgeneralizabilityadaptabilitysymbolic q-network
发现论文，激发创造
  • 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

  • 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

  • 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

  • 可扩展神经符号回归

    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

  • 用于科学发现的符号回归的 Transformer 模型

    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。

    Dec, 2023

  • MetaSymNet：一个具备进化到任意公式能力的动态符号回归网络

    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

  • 符号回归在可解释科学探究中的应用：评述

    本文综述了符号回归方法的优缺点，探讨了其在机器学习、深度学习等应用领域中以数据驱动的模型发现方法所取得的显著进展。

    Nov, 2022

  • 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

  • 基于 Transformer 的端到端符号回归

    本文提出了一种挑战基于遗传编程的符号回归任务的两步法的新方法，利用 Transformer 直接预测包括常数在内的完整的数学表达式，并通过给非凸优化器提供信息化的初始化对预测的常数进行细化，实验表明该方法的效果更好，在 SRBench 基准问题上的表现接近最先进的基因编程方法，并且推断速度要快数个数量级。

    Apr, 2022

  • 增强人体运动预测的神经符号化方法

    本研究提出了一种新的神经符号方法（NeuroSyM）来推进人类动作预测领域，通过利用定性轨迹演算法（QTC）来在邻域中加权不同交互，并在中长期时间范围内使用两种最先进的架构进行实验测试。实验结果表明，在大多数情况下，NeuroSyM 方法在预测准确性方面优于基线架构。

    Apr, 2023