基于深度策略梯度的垂直符号回归
机器学习
2024-02-02 v1 人工智能
摘要
近期提出的垂直符号回归（VSR）旨在加速从实验数据中发现包含多个独立变量的符号方程。VSR 遵循垂直发现路径，通过从包含部分独立变量的简化形式方程构建出完整方程，从而缩小搜索空间。深度神经网络已被许多符号回归器证明是成功的，有望进一步扩展 VSR。然而，将 VSR 与深度神经网络直接结合会导致梯度传递困难及其他工程问题。我们提出了使用深度策略梯度的垂直符号回归（VSR-DPG），并证明 VSR-DPG 能够恢复包含多个输入变量的真实方程，显著超越了基于深度强化学习的方法和以往的 VSR 变体。我们的 VSR-DPG 将符号回归建模为一个序列决策过程，其中方程通过重复应用语法规则构建。集成的深度模型被训练以最大化策略梯度目标。实验结果表明，在一系列基准上，我们的 VSR-DPG 在识别代数方程和常微分方程方面均显著优于流行的基线方法。
引用
@article{arxiv.2402.00254,
title = {Vertical Symbolic Regression via Deep Policy Gradient},
author = {Nan Jiang and Md Nasim and Yexiang Xue},
journal= {arXiv preprint arXiv:2402.00254},
year = {2024}
}
备注
see animated demo at: vsr-dpg.github.io