Jul, 2024

使用并行化树搜索发现符号表达式

HTML
PDF
TL;DR通过并行化树搜索模型（PTS）高效提取通用数学表达式从有限数据中，通过一系列广泛的实验，我们证明了PTS在方程发现方面较基准模型具有更高的准确性和效率，大大超过80个合成和实验数据集上的现有模型，PTS代表了在准确且高效的数据驱动符号化模型发现方面的重大进展并标志着可扩展的符号化学习的重要转变。
发现论文，激发创造
  • 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

  • 符号物理学习器：通过蒙特卡罗搜索树发现控制方程

    提出了一种基于符号物理学习器的方法用于发现非线性动力学的数学结构，特点包括搜索灵活性和公式的简约执行，该机器相对于其他最先进的基线有优越性。

    May, 2022

  • 重新思考符号回归数据集和基准，以促进科学发现

    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

  • 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

  • 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

  • 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

  • 垂直符号回归

    通过垂直发现和学习符号回归，实现了自动化科学发现的目标，从而加速了学习含有多个自变量的符号表达式。

    Dec, 2023

  • 深度生成符号回归

    通过利用预训练的深度生成模型来捕捉方程的内在规律，本研究提出了深度生成符号回归（DGSR）框架，实现了具有更高恢复率和更高计算效率的符号回归解决方案。

    Dec, 2023

  • 通过GPT引导的蒙特卡罗树搜索从数据中发现数学公式

    SR-GPT是一种新的符号回归算法，通过将MCTS与GPT相结合，显著提高了MCTS的搜索效率，并利用MCTS结果进一步完善GPT，从而在正确恢复符号表达式方面优于现有的最先进算法。

    Jan, 2024

  • 量化数学表达式之间的行为距离

    本文针对现有符号回归方法仅基于语法和结构相似性组织候选数学表达式的局限性，提出了一种新的行为距离度量方法BED，该方法考虑了数学对称性带来的等价关系。实验结果表明，该方法提高了符号回归中错误景观的平滑度，从而提升了计算效率。

    Aug, 2024