English(EN) Mask-Based Deep Symbolic Regression

新的基于扩散的方法增强了用于方程发现的符号回归

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-19 04:00

研究人员开发了一种新颖的基于扩散的方法用于符号回归，这是一种从数据中发现数学方程的技术。该方法利用随机掩码的扩散和去噪过程来生成多样化的高质量方程。该系统将此生成过程与令牌化的组相对策略优化（GRPO）方法相结合，以实现高效的强化学习，并采用长短期风险寻求策略来改进候选选择。实验证明了这种新方法的有效性。 AI

影响这项研究引入了一种从数据中发现数学方程的新技术，有望改进科学发现和建模。

排序理由该集群包含一篇详细介绍符号回归新方法的论文。[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 →

本文如何被排名

Signal score: 9 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍符号回归新方法的论文。[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: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Zachary Bastiani, Robert M. Kirby, Jacob Hochhalter, Shandian Zhe · 2026-10-19 04:00

基于掩码的深度符号回归

arXiv:2505.24776v2 Announce Type: replace Abstract: Diffusion has emerged as a powerful framework for generative modeling, achieving remarkable success in applications such as image and audio synthesis. Enlightened by this progress, we propose a novel diffusion-based approach for…

本文如何被排名

报道来源 [1]

基于掩码的深度符号回归

相关实体

相关话题