10:52
官方账号arXiv cs.LG@Oussama Boussif, Mohammed Mahfoud, Younesse Kaddar, Moksh Jain, Sida Li, Damiano Fornasiere, Xiaoyin Chen, Yoshua Bengio, Esmeralda S. Whitammer
推荐理由：想找能处理噪声数据、还能告诉你不确定性有多大的回归方法？ERRLESS用强化学习从后验里采样表达式，Feynman基准上表现不错，表达式还短。
Feynman基准
共 1 条相关 AI 资讯
8月11日
10:52
符号回归旨在寻找描述目标变量与输入间随机依赖的代数表达式，不同于固定模型结构的参数拟合，它是在表达式空间中的搜索问题。ERRLESS（熵正则化强化学习用于表达式结构采样）通过最大熵强化学习，学习一个神经网络策略来逐步构建抽象语法树，从而从给定数据的表达式后验分布中采样。在Feynman基准上，ERRLESS取得了有竞争力的结果，同时生成简短且可解释的表达式。与SMC基线相比，ERRLESS近似后验预测均值实现了较高的决定系数（R²），凸显了贝叶斯视角在符号回归中的优势。