Interpretable Symbolic Regression for Data Science: Analysis of the 2022 Competition

要約

タイトル：データサイエンスのための解釈可能なシンボリック回帰：2022年コンペティションの分析

要約：

– シンボリック回帰は、研究された現象を正確に説明する解析式を探索します。
– この手法の主な魅力は、ユーザーに洞察を与える解釈可能なモデルを返すことです。
– 過去のシンボリック回帰アルゴリズムの大多数は進化アルゴリズムに基づいていましたが、最近は列挙アルゴリズム、混合整数線形プログラミング、ニューラルネットワーク、ベイズ最適化などの手法を使用する提案が増えています。
– 実世界のデータでよく直面する一連の課題に対処するために、我々は盲目のエントリーに対応する異なる合成および実世界のデータセットからなる2022年遺伝子および進化計算会議のコンペティションを開催しました。
– 実世界のトラックでは、ドメイン専門家を使用して信頼性の高い候補モデルを判断して解釈性を現実的に評価しました。
– 我々はこのコンペティションで得られた結果の詳細な分析を提示し、シンボリック回帰アルゴリズムの現在の課題を議論し、将来のコンペティションのための可能な改善を強調します。

要約(オリジナル)

Symbolic regression searches for analytic expressions that accurately describe studied phenomena. The main attraction of this approach is that it returns an interpretable model that can be insightful to users. Historically, the majority of algorithms for symbolic regression have been based on evolutionary algorithms. However, there has been a recent surge of new proposals that instead utilize approaches such as enumeration algorithms, mixed linear integer programming, neural networks, and Bayesian optimization. In order to assess how well these new approaches behave on a set of common challenges often faced in real-world data, we hosted a competition at the 2022 Genetic and Evolutionary Computation Conference consisting of different synthetic and real-world datasets which were blind to entrants. For the real-world track, we assessed interpretability in a realistic way by using a domain expert to judge the trustworthiness of candidate models.We present an in-depth analysis of the results obtained in this competition, discuss current challenges of symbolic regression algorithms and highlight possible improvements for future competitions.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI