PulseAugur
中
实时 19:12:18

新的DDRSR方法通过更广泛的应用性增强符号回归

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为深度分而治之符号回归（DDRSR）的新方法，旨在改进从数据中发现数学表达式。与依赖暴力搜索且适用性有限的先前方法不同，DDRSR拓宽了表达式分解和约简的范围。这种新方法避免了暴力子结构搜索，提供了更大的通用性和理论正确性。实证评估显示，在表达式分解和数值回归任务方面均具有显著优势。 AI

影响 通过改进表达式分解和数值回归任务，增强了符号回归能力。

排序理由 该集群描述了在arXiv上的一篇学术论文中提出的一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的DDRSR方法通过更广泛的应用性增强符号回归

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该集群描述了在arXiv上的一篇学术论文中提出的一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, other
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
67 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yusong Deng, Yanjie Li, Weijun Li ·

    符号回归中的深度分割与约简

    arXiv:2608.02628v1 Announce Type: cross Abstract: Symbolic regression (SR) is the task of discovering underlying patterns from data and representing them using mathematical expressions. Current machine learning approaches to SR often lack a profound understanding of the intrinsic…

相关实体

相关话题