UniSymNet：疎なエンコーディングと二層最適化を備えた統一シンボリックネットワーク

科学分野:

• 人工知能
• 機械学習
• 計算数学

背景:

• シンボリック回帰（SR）は、自然現象をモデル化するための数学的表現を発見する上で重要です。
• 従来のSR方法は、複雑なツリー構造に苦労し、パフォーマンスを制限します。
• 既存のシンボリックネットワークは、多変量演算子と固定アーキテクチャの課題に直面しており、過剰適合につながります。

研究 の 目的:

• 既存のシンボリックネットワークの限界を克服する新しい統一シンボリックネットワーク（UniSymNet）を提案すること。
• 発見された数学的表現の表現力を高め、複雑性を低減すること。
• 多様なデータセットに適応可能な柔軟なトレーニングフレームワークを開発すること。

主な方法:

• 非線形二項演算子をネストされた単項演算子に統合して、多変量演算子を作成します。
• 二層最適化フレームワークの開発：構造選択のためのTransformer事前トレーニングと目的固有のパラメータ最適化。
• UniSymNetの機能確立のための厳密な理論的証明。

主要な成果:

• UniSymNetは、複雑性と表現力において理論的な利点を示します。
• 二層最適化フレームワークにより、柔軟な構造適応と式の複雑性の低減が可能になります。
• 標準ベンチマークとSRBenchでの評価により、高いシンボリック解率、適合精度、および低い複雑性が示されます。

結論:

• UniSymNetは、強化された機能を持つシンボリック回帰のための有望な新しいパラダイムを提供します。
• 提案されたトレーニングフレームワークは、構造選択とパラメータ最適化を効果的にガイドします。
• UniSymNetは、正確で簡潔な数学的表現を発見する上で優れたパフォーマンスを達成します。