基于对比学习的深度符号回归：抗噪DN-CL
机器学习
2024-06-24 v1 人工智能
摘要
由于包括物理、电子和环境等诸多因素，噪声普遍存在于信号中。传统的符号回归方法，如遗传编程或深度学习模型，旨在找到适用于这些信号的最佳表达式。然而，这些方法常常忽视现实数据中的噪声，导致拟合精度下降。为此，我们提出了一种名为 Deep Symbolic Regression against Noise via Contrastive Learning (DN-CL) 的方法。DN-CL采用两个参数共享的编码器，将来自各种数据转换的数据点嵌入到特征防噪护盾中。该模型将噪声数据和干净数据视为地面真实数学表达式的不同视图。通过对这些特征之间的距离进行最小化，利用对比学习来区分“正”噪声校正对和“负”对比对。我们的实验表明，DN-CL 在处理噪声数据和干净数据方面表现出色，为符号回归提供了一种有前景的方法。
引用
@article{arxiv.2406.14844,
title = {DN-CL: Deep Symbolic Regression against Noise via Contrastive Learning},
author = {Jingyi Liu and Yanjie Li and Lina Yu and Min Wu and Weijun Li and Wenqiang Li and Meilan Hao and Yusong Deng and Shu Wei},
journal= {arXiv preprint arXiv:2406.14844},
year = {2024}
}