基于动态门控强化学习的噪声鲁棒符号回归
机器学习
2025-01-03 v1
摘要
符号回归(SR)已成为从数据中揭示内在信息并提高AI模型可解释性的关键技术。然而,当前的最先进(SOTA)SR方法在从高噪声数据中正确恢复符号表达式方面存在挑战。为此,我们引入一种新型噪声鲁棒SR(NSRS)方法,能够从高噪声数据中恢复表达式。我们利用新型强化学习(RL)方法结合设计的噪声鲁棒门控模块(NGM),学习符号选择策略。该门控模块能够动态过滤高噪声数据中的无意义信息,从而在SR过程中展现出高水平的噪声鲁棒性。我们还在RL过程中设计了混合路径熵(MPE)奖励项,以增加策略的探索能力。实验结果表明,本方法在高噪声数据基准测试中显著优于多个流行基线方法。此外,本方法在干净数据基准测试中也能实现SOTA性能，凸显其在SR任务中的鲁棒性和有效性。
引用
@article{arxiv.2501.01085,
title = {Noise-Resilient Symbolic Regression with Dynamic Gating Reinforcement Learning},
author = {Chenglu Sun and Shuo Shen and Wenzhi Tao and Deyi Xue and Zixia Zhou},
journal= {arXiv preprint arXiv:2501.01085},
year = {2025}
}
备注
15 pages, 2 figures, accepted by AAAI 2025