一种利用语法引导符号回归将领域知识纳入的强化学习方法
机器学习
2022-02-10 v1 人工智能
摘要
近年来，符号回归因能为潜在的大规模数据关系提供可解释的符号表示而受到广泛关注。符号回归方法最初围绕遗传算法展开，如今已包含多种基于深度学习的可选方案。然而，这些方法对真实世界数据的泛化能力仍然不佳，主要原因在于它们几乎不纳入领域知识，也不考虑变量间的物理关系（如已知方程与单位）。针对这些问题，我们提出了一种基于强化学习的语法引导符号回归（RBG2-SR）方法，该方法利用上下文无关文法作为强化动作空间，以领域知识约束表示空间。我们详细阐述了该问题的部分可观测马尔可夫决策过程（POMDP）建模，并将我们的方法与最先进的方法进行基准对比。我们还分析了 POMDP 状态定义，并提出了一个物理方程搜索用例，在该用例上我们将我们的方法与基于文法和不基于文法的符号回归方法进行比较。实验结果表明，我们的方法在基准测试上与其他最先进的方法具有竞争力，并提供了最佳的错误—复杂度权衡，凸显了在真实场景中使用基于文法方法的优势。
引用
@article{arxiv.2202.04367,
title = {A Reinforcement Learning Approach to Domain-Knowledge Inclusion Using Grammar Guided Symbolic Regression},
author = {Laure Crochepierre and Lydia Boudjeloud-Assala and Vincent Barbesant},
journal= {arXiv preprint arXiv:2202.04367},
year = {2022}
}