SAGE-Fit: Nuovo Metodo Migliora l'Ottimizzazione dei Parametri nella Regressione Simbolica

Un approccio innovativo noto come SAGE-Fit (Structure-Aware and Semantics-Guided Evaluator for Symbolic Regression) affronta il problema 'Buona Struttura, Cattivo Punteggio' nella regressione simbolica. Questa sfida si verifica quando strutture di equazioni valide ricevono punteggi bassi a causa di un'ottimizzazione dei parametri insufficiente. La regressione simbolica opera attraverso un quadro di ottimizzazione a due livelli: il ciclo esterno identifica strutture di equazioni discrete, mentre il ciclo interno ottimizza i parametri continui. La presenza di operatori non lineari complica il ciclo interno, rendendolo fortemente non convesso. I limiti di budget spesso richiedono l'uso di risolutori locali rapidi come BFGS, che possono produrre minimi locali scadenti e calcolare erroneamente i punteggi per strutture valide, deviando il ciclo esterno dall'equazione corretta. SAGE-Fit funge da valutatore nativo per la regressione simbolica, mirando a migliorare la qualità dell'adattamento dei parametri e aumentare l'efficacia e la precisione della regressione simbolica. La ricerca è disponibile su arXiv con il riferimento 2605.23272.