ISR:可逆符号回归
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
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
本研究提出了一种通过计算机视觉构建符号表达式变换器来解决基于样本的符号回归模型的通用性和效率受限的问题,并在一个不重复数据集上进行了测试。
May, 2022
本文研究了将预训练的大型语言模型(LLMs)整合到 Symbolic Regression(SR)流程中,利用 LLMs 依据观测数据提出可能的函数,并通过模型自身和外部优化器逐步优化,取得令人满意的结果。同时,分析了在这一背景下的视觉 - 语言模型,在输入中包含图像以辅助优化过程,研究结果显示 LLMs 能够成功恢复适合给定数据的符号方程,优于基于遗传编程的 SR 基准方法,并且将图像加入输入具有较好的效果,尤其对于复杂的基准问题。
Apr, 2024
提出了一种新的增强符号回归机 (RSRM) 模型,通过 Monte Carlo 树搜索、双 Q-learning 块和调制子树发现块,可以从极少的数据中学习复杂的数学方程,并取得了关于符号回归的最新性能记录。
May, 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
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