🔥 今日值得一读
Transformer给符号回归开挂！MOSAIC-SR在所有数据集拿下最高符号解率
MOSAIC-SR: Transformer-Guided Symbolic Regression for Scientific Equation Recovery
👨💼 主理人解读 · 为什么值得关注
从观测数据恢复可解释公式，适合科学建模与方程发现任务，兼顾速度与准确性。
📖 AI 总结
MOSAIC-SR 是一种面向科学方程恢复的符号回归新方法，旨在从观测数据中还原可解释的闭式表达式。针对现有方法难以兼顾灵活结构搜索与高效推理的问题——搜索类方法依赖昂贵的组合优化和随机初始化，预训练神经模型虽能快速生成公式却常含符号错误——该研究提出用预训练 Transformer 生成多个初始草图，为搜索提供有前景的起点，避免在庞大表达式空间中盲目随机起步；每次搜索结合尺度感知的常数优化与局部符号修复，同步恢复结构和常数。作者在 SRSD-Feynman 数据集（含与不含哑变量两种设定）及六个额外基准上评估，结果显示 MOSAIC-SR 在所有数据集上取得最高符号解率，预测精度也位居前二，且在存在无关哑变量输入时优势依然保持。这表明学习到的先验能有效聚焦搜索方向，而数值优化与符号修复对准确恢复方程至关重要。
🔑 关键词速览
| 符号回归 (Symbolic Regression) | 从数据中自动发现数学表达式或闭式方程的方法，旨在获得可解释的模型。 |
| Transformer | 一种基于自注意力机制的神经网络架构，常用于序列建模和生成任务。 |
| 初始草图 (Initial Sketches) | 由预训练模型生成的初步表达式框架，为后续搜索提供起点。 |
| 尺度感知常数优化 (Scale-aware Constant Optimization) | 在优化过程中考虑常数项的尺度变化，以更准确地拟合数据。 |
| 局部符号修复 (Local Symbolic Repair) | 对表达式中的符号错误进行局部修正，以提高生成公式的正确性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅