PulseAugur
中
实时 06:51:35

新的SMILE框架融合了连续优化和离散符号恢复

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了SMILE，一个用于符号回归的新型框架，它结合了连续优化和离散符号恢复。这种混合方法首先分析数据以理解表达式的组成结构，然后使用连续优化来学习可解释网络的参数，最后将该网络提炼成一个紧凑、精确的符号表达式。在SRBench基准测试中，SMILE表现出卓越的鲁棒性和效率，在显著的噪声水平下实现了更高的符号解率，并比竞争方法更快地恢复出更简单的表达式。 AI

影响 这项研究提供了一种更具可解释性和效率的符号回归方法，有望提高模型的可解释性并降低数据分析的计算成本。

排序理由 该集群包含一篇学术论文，详细介绍了一种新的符号回归方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 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SMILE框架融合了连续优化和离散符号恢复

本文如何被排名

Signal score
27 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该集群包含一篇学术论文，详细介绍了一种新的符号回归方法。[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
Breaking (< 6h)
Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Mansooreh Montazerin, Antonio Ortega, Ajitesh Srivastava ·

    SMILE：连接连续优化与离散符号恢复

    arXiv:2609.04639v1 Announce Type: new Abstract: Symbolic regression (SR) discovers closed-form mathematical expressions from data, offering interpretability beyond black-box models. Existing methods suffer from slow convergence in combinatorial search spaces and lack mechanisms t…

相关实体

相关话题