文法誘導記号回帰を用いた領域知識包含への強化学習アプローチ【JST・京大機械翻訳】

Crochepierre Laure; Boudjeloud-Assala Lydia; Barbesant Vincent

プレプリント

J-GLOBAL ID：202202207382809147 整理番号：22P0286979

文法誘導記号回帰を用いた領域知識包含への強化学習アプローチ【JST・京大機械翻訳】

A Reinforcement Learning Approach to Domain-Knowledge Inclusion Using Grammar Guided Symbolic Regression

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年02月09日プレプリントサーバーでの情報更新日： 2022年02月09日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

近年,記号的回帰は,潜在的に大きなデータ関係の説明可能な記号表現を提供するのに,広く関心が持たれている。最初に,遺伝的アルゴリズムに循環して,記号的回帰方法は,現在,さまざまな深い学習ベースの代替案を含んだ。しかし,これらの方法は,主にドメイン知識をほとんど含まず,既知の方程式やユニットのような変数間の物理的関係を考慮しないので,実世界データによく一般化されていない。これらの問題に関して,強化行動空間としてコンテキストフリー文法を使用し,領域知識を持つ表現空間を制約する強化ベースGrammar-誘導記号回帰(RBG2-SR)法を提案した。問題の部分的なObservable Markov決定プロセス(POMDP)モデリングを詳述し,最先端の方法に対する著者らのアプローチをベンチマークした。また,POMDP状態定義を解析し,物理方程式探索利用事例を提案し,ここでは,文法ベースおよび非グラムベース記号回帰法に対する著者らのアプローチを比較した。実験結果は,著者らの方法がベンチマークに関する他の最先端の方法に対して競合して,最良の誤差-複雑性トレードオフを提供して,実世界シナリオにおける文法ベースの方法を使用することの興味を強調した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , システム・制御理論一般

, , , ,

前のページに戻る