UniSymNet: Una Red Simbólica Unificada con Codificación Dispersa y Optimización de Dos Niveles

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Matemáticas Computacionales

Sus antecedentes:

• La Regresión Simbólica (SR) es clave para descubrir expresiones matemáticas que modelen fenómenos naturales.
• Los métodos tradicionales de SR luchan con estructuras de árbol complejas, lo que limita el rendimiento.
• Las redes simbólicas existentes enfrentan desafíos con operadores multivariables y arquitecturas fijas, lo que lleva al sobreajuste.

Objetivo del estudio:

• Proponer una nueva Red Simbólica Unificada (UniSymNet) que supere las limitaciones de las redes simbólicas existentes.
• Mejorar la expresividad y reducir la complejidad de las expresiones matemáticas descubiertas.
• Desarrollar un marco de entrenamiento flexible adaptable a diversos conjuntos de datos.

Principales métodos:

• Unificación de operadores binarios no lineales en operadores unarios anidados para crear operadores multivariables.
• Desarrollo de un marco de optimización de dos niveles: preentrenamiento de Transformer para la selección de la estructura y optimización de parámetros específica del objetivo.
• Prueba teórica rigurosa para establecer las capacidades de UniSymNet.

Principales resultados:

• UniSymNet demuestra ventajas teóricas en complejidad y expresividad.
• El marco de optimización de dos niveles permite una adaptación flexible de la estructura y una reducción de la complejidad de la expresión.
• Las evaluaciones en benchmarks estándar y SRBench muestran altas tasas de solución simbólica, precisión de ajuste y baja complejidad.

Conclusiones:

• UniSymNet ofrece un nuevo paradigma prometedor para la regresión simbólica con capacidades mejoradas.
• El marco de entrenamiento propuesto guía eficazmente la selección de la estructura y la optimización de parámetros.
• UniSymNet logra un rendimiento superior en el descubrimiento de expresiones matemáticas precisas y concisas.