Diffusion-Based Symbolic Regression

要約

拡散は、生成モデリングの強力なフレームワークとして浮上しており、画像やオーディオ合成などのアプリケーションで顕著な成功を収めています。
この進捗状況に啓発された私たちは、シンボリック回帰のための新しい拡散ベースのアプローチを提案します。
ランダムなマスクベースの拡散と除去プロセスを構築して、多様で高品質の方程式を生成します。
この生成プロセスをトークンワイズグループの相対ポリシー最適化（GRPO）メソッドと統合して、特定の測定データセットで効率的な強化学習を実施します。
さらに、トップパフォーマンスの候補者のプールを拡大するために、長期的なリスク探索ポリシーを導入し、パフォーマンスをさらに向上させます。
広範な実験とアブレーション研究により、私たちのアプローチの有効性が実証されています。

要約(オリジナル)

Diffusion has emerged as a powerful framework for generative modeling, achieving remarkable success in applications such as image and audio synthesis. Enlightened by this progress, we propose a novel diffusion-based approach for symbolic regression. We construct a random mask-based diffusion and denoising process to generate diverse and high-quality equations. We integrate this generative processes with a token-wise Group Relative Policy Optimization (GRPO) method to conduct efficient reinforcement learning on the given measurement dataset. In addition, we introduce a long short-term risk-seeking policy to expand the pool of top-performing candidates, further enhancing performance. Extensive experiments and ablation studies have demonstrated the effectiveness of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google