研究人员推出了一种新颖的符号回归方法 MorphingNet,在这种方法中,网络本身学习方程的函数形式。与依赖固定算子库的传统方法不同,MorphingNet 持续调整其单元的功能,将符号回归视为一个单一的优化问题。该方法在 SRBench 等基准测试中展现了最先进的准确性,并且比现有的搜索技术快得多。此外,还开发了一个新的单变量规范骨架形式化数据集,以解决神经符号回归现有数据集中存在的结构冗余和覆盖不全问题。 AI
影响 为符号回归和从数据中进行科学发现引入了新范例,有可能改进模型训练和函数覆盖。
排序理由 两篇 arXiv 论文介绍了符号回归的新颖方法和数据集。
- alphaXiv
- arXiv
- arXivLabs
- Canonical skeletons
- CatalyzeX Code Finder for Papers
- Connected Papers
- CORE Recommender
- DagsHub
- Exhaustive Canonical Skeletons Generation: A Formal Dataset for Decomposable Symbolic Regression
- Gotit.pub
- Hugging Face
- IArxiv Recommender
- Litmaps
- MorphingNet
- Neural Symbolic Regression
- ScienceCast
- scite Smart Citations
- SRBench: A Streaming RDF/SPARQL Benchmark
- Symbolic regression
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →