MOT-SR: Regressione Simbolica Multi-Obiettivo Potenziata da Strumenti con LLM
È stato introdotto un nuovo approccio chiamato Regressione Simbolica Multi-Obiettivo Potenziata da Strumenti (MOT-SR) per migliorare il processo di scoperta di equazioni a partire da dati osservazionali. Questa tecnica incorpora strumenti analitici esterni per derivare prior strutturali che assistono nella generazione di equazioni, ottimizzando anche accuratezza, complessità e generalizzazione attraverso un quadro di valutazione multi-obiettivo. Questo sviluppo affronta le carenze degli attuali metodi basati su Large Language Model (LLM), che non incorporano l'analisi dei dati per identificare le dipendenze tra variabili e sono limitati a una valutazione a obiettivo singolo che si concentra solo sull'errore di adattamento. L'articolo di ricerca è disponibile su arXiv con ID 2607.29561.
Fatti principali
- MOT-SR è un framework unificato per la regressione simbolica.
- Integra strumenti analitici esterni per estrarre prior strutturali.
- Ottimizza congiuntamente accuratezza, complessità e generalizzazione.
- Affronta i limiti degli approcci basati su LLM: mancanza di analisi dei dati e valutazione a obiettivo singolo.
- L'articolo è disponibile su arXiv con ID 2607.29561.
- Il framework mira a migliorare l'efficienza e l'esplorazione dello spazio delle equazioni.
Entità
Istituzioni
- arXiv