Kontinuierliche Embedding-Strategie steigert symbolische Regression

Symbolische Regression sucht nach verständlichen Gleichungen, die beobachtete Daten erklären. Traditionelle Methoden, wie genetische Programmierung, arbeiten mit diskreten Strukturen und führen häufig zu hohem Rechenaufwand, instabilen Ergebnissen und begrenzter Skalierbarkeit bei großen Gleichungssätzen.

Um diese Probleme zu lösen, präsentiert das neue Verfahren SRCO ein einheitliches, embedding‑gestütztes Framework. Es wandelt symbolische Strukturen in einen kontinuierlichen, optimierbaren Repräsentationsraum um und nutzt diesen, um die Suche effizienter zu gestalten.

SRCO besteht aus drei Kernschritten: Erstens erzeugt ein Transformer‑Modell aus einer großen Pool‑Liste von explorativen Gleichungen kontinuierliche Embeddings. Zweitens ermöglicht dieser Embedding‑Raum eine schnelle, gradientenbasierte oder stichprobenartige Suche, die die Kombinationen von Symbolen deutlich schneller erkundet. Drittens werden die Koeffizienten jeder gefundenen Struktur als lernbare Parameter behandelt und mittels Gradientoptimierung exakt angepasst.

Experimentelle Tests an synthetischen und realen Datensätzen zeigen, dass SRCO die Genauigkeit, Robustheit und Sucheffizienz gegenüber aktuellen Spitzenmethoden deutlich verbessert. Das Ergebnis ist ein neues Paradigma, das die Entdeckung symbolischer Gleichungen mit kontinuierlichem Embedding‑Learning und Optimierung verbindet.