Učinkovit generativni model za algebrajske izraze in odkrivanje enačbMežnar, Sebastian (Avtor) Todorovski, Ljupčo (Mentor) odkrivanje enačbsimbolna regresijanevronske mrežegenerativni modelivariacijski samokodirnikistrojno učenjegloboko učenjeBayesova optimizacijaOdkrivanje enačb se ukvarja z iskanjem algebrajskih izrazov, ki se prilegajo danim podatkom. V nalogah odkrivanja enačb damo pogosto velik poudarek na generiranje izrazov. Čeprav so se izrazi v preteklosti generirali predvsem z kontekstno neodvisnimi gramatikami, evolucijskimi algoritmi in ostalimi pristopi, pa nedavno v ospredje prihajajo globoki generativni modeli. Prvi poskusi generiranja diskretnih, strukturiranih podatkov z globokimi generativnimi modeli vključujejo variacijske samokodirnike (CVAE) za preproste, neomejene nize simbolov in variacijske samokodirnike gramatik (GVAE), ki z uporabo kontekstno neodvisnih gramatik izhod dekodirnika sintaktično omejijo. V magistrskem delu predstavimo variacijski samokodirnik hierarhij (HVAE), ki v nasprotju s prejšnjimi pristopi izhod dekodirnika omeji z binarnimi izraznimi drevesi. Drevesa zakodiramo in dekodiramo s prilagojenima različicama rekurentne nevronske mreže z vrati. Trdimo, da lahko pristop HVAE naučimo bolj učinkovito kot pristopa CVAE in GVAE. To trditev potrdimo z empiričnim vrednotenjem, kjer je HVAE pri rekonstrukciji bolj uspešen kot druga pristopa kljub manjši učni množici in nižji dimenziji latentnega vektorja. Slednje simbolni regresiji dovoljuje bolj učinkovito uporabo Bayesove optimizacije za odkrivanje kompleksnih enačb iz podatkov.20222022-09-02 08:15:02Magistrsko delo/naloga139400UDK: 004VisID: 125418COBISS_ID: 119987459sl