Active Learning in Symbolic Regression Performance with Physical Constraints

要約

進化的記号回帰 (SR) では、記号方程式をデータに当てはめて、簡潔な解釈可能なモデルを提供します。
私たちは、物理的制約のあるアクティブ ラーニング設定でどのデータを収集するかを提案する方法として SR を使用することを検討します。
アクティブ ラーニングを使用した SR は、次にどの実験を行うかを提案します。
アクティブ ラーニングは、方程式のパレート フロンティアが委員会である委員会によるクエリによって実行されます。
物理的制約により、非常に低いデータ設定で提案された方程式が改善されます。
これらのアプローチにより、SR に必要なデータが削減され、既知の方程式を再発見するために必要なデータという最先端の結果が得られます。

要約(オリジナル)

Evolutionary symbolic regression (SR) fits a symbolic equation to data, which gives a concise interpretable model. We explore using SR as a method to propose which data to gather in an active learning setting with physical constraints. SR with active learning proposes which experiments to do next. Active learning is done with query by committee, where the Pareto frontier of equations is the committee. The physical constraints improve proposed equations in very low data settings. These approaches reduce the data required for SR and achieves state of the art results in data required to rediscover known equations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google