Vaš brskalnik ne omogoča JavaScript!
JavaScript je nujen za pravilno delovanje teh spletnih strani. Omogočite JavaScript ali pa uporabite sodobnejši brskalnik.
Nacionalni portal odprte znanosti
Odprta znanost
DiKUL
slv
|
eng
Iskanje
Brskanje
Novo v RUL
Kaj je RUL
V številkah
Pomoč
Prijava
Efficient generator of mathematical expressions for symbolic regression
ID
Mežnar, Sebastian
(
Avtor
),
ID
Džeroski, Sašo
(
Avtor
),
ID
Todorovski, Ljupčo
(
Avtor
)
PDF - Predstavitvena datoteka,
prenos
(2,26 MB)
MD5: 932B365764766DC41A7856614D8FA66D
URL - Izvorni URL, za dostop obiščite
https://link.springer.com/article/10.1007/s10994-023-06400-2
Galerija slik
Izvleček
We propose an approach to symbolic regression based on a novel variational autoencoder for generating hierarchical structures, HVAE. It combines simple atomic units with shared weights to recursively encode and decode the individual nodes in the hierarchy. Encoding is performed bottom-up and decoding top-down. We empirically show that HVAE can be trained efficiently with small corpora of mathematical expressions and can accurately encode expressions into a smooth low-dimensional latent space. The latter can be efficiently explored with various optimization methods to address the task of symbolic regression. Indeed, random search through the latent space of HVAE performs better than random search through expressions generated by manually crafted probabilistic grammars for mathematical expressions. Finally, EDHiE system for symbolic regression, which applies an evolutionary algorithm to the latent space of HVAE, reconstructs equations from a standard symbolic regression benchmark better than a state-of-the-art system based on a similar combination of deep learning and evolutionary algorithms.
Jezik:
Angleški jezik
Ključne besede:
symbolic regression
,
equation discovery
,
generative models
,
variational autoencoders
,
evolutionary algorithms
Vrsta gradiva:
Članek v reviji
Tipologija:
1.01 - Izvirni znanstveni članek
Organizacija:
FMF - Fakulteta za matematiko in fiziko
Status publikacije:
Objavljeno
Različica publikacije:
Objavljena publikacija
Leto izida:
2023
Št. strani:
Str. 4563-4596
Številčenje:
Vol. 112, iss. 11
PID:
20.500.12556/RUL-153002
UDK:
004.8
ISSN pri članku:
1573-0565
DOI:
10.1007/s10994-023-06400-2
COBISS.SI-ID:
176785923
Datum objave v RUL:
14.12.2023
Število ogledov:
334
Število prenosov:
34
Metapodatki:
Citiraj gradivo
Navadno besedilo
BibTeX
EndNote XML
EndNote/Refer
RIS
ABNT
ACM Ref
AMA
APA
Chicago 17th Author-Date
Harvard
IEEE
ISO 690
MLA
Vancouver
:
Kopiraj citat
Objavi na:
Gradivo je del revije
Naslov:
Machine learning
Skrajšan naslov:
Mach. learn.
Založnik:
Springer Nature
ISSN:
1573-0565
COBISS.SI-ID:
513211417
Licence
Licenca:
CC BY 4.0, Creative Commons Priznanje avtorstva 4.0 Mednarodna
Povezava:
http://creativecommons.org/licenses/by/4.0/deed.sl
Opis:
To je standardna licenca Creative Commons, ki daje uporabnikom največ možnosti za nadaljnjo uporabo dela, pri čemer morajo navesti avtorja.
Sekundarni jezik
Jezik:
Slovenski jezik
Ključne besede:
simbolna regresija
,
odkrivanje enačb
,
generativni modeli
,
variacijski samokodirniki
,
evolucijski algoritmi
Projekti
Financer:
ARRS - Agencija za raziskovalno dejavnost Republike Slovenije
Številka projekta:
P2-0103
Naslov:
Tehnologije znanja
Financer:
ARRS - Agencija za raziskovalno dejavnost Republike Slovenije
Številka projekta:
N2-0128
Naslov:
Avtomatizirana sinteza in analiza znanstvenih modelov
Financer:
ARRS - Agencija za raziskovalno dejavnost Republike Slovenije
Program financ.:
Young researchers
Podobna dela
Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:
Nazaj