ترجمه فارسی مقاله اپراتور از شبکه عصبی برای رگرسیون نمادین برخوردار است

چکیده

Symbolic regression is a task aimed at identifying patterns in data and representing them through mathematical expressions, generally involving skeleton prediction and constant optimization. Many methods have achieved some success, however they treat variables and symbols merely as characters of natural language without considering their mathematical essence. This paper introduces the operator feature neural network (OF-Net) which employs operator representation for expressions and proposes an implicit feature encoding method for the intrinsic mathematical operational logic of operators. By substituting operator features for numeric loss, we can predict the combination of operators of target expressions. We evaluate the model on public datasets, and the results demonstrate that the model achieves superior recovery rates and high $R^2$ scores. With the discussion of the results, we analyze the merit and demerit of OF-Net and propose optimizing schemes.

چکیده به فارسی (ترجمه ماشینی)

رگرسیون نمادین وظیفه ای است که با هدف شناسایی الگوهای در داده ها و نمایندگی آنها از طریق عبارات ریاضی ، به طور کلی شامل پیش بینی اسکلت و بهینه سازی مداوم است.بسیاری از روش ها به موفقیت های خود رسیده اند ، اما آنها با متغیرها و نمادها صرفاً به عنوان شخصیت های زبان طبیعی بدون در نظر گرفتن ذات ریاضی خود رفتار می کنند.در این مقاله ، شبکه عصبی ویژگی اپراتور (از NET) که از نمایندگی اپراتور برای عبارات استفاده می کند ، ارائه می دهد و یک روش رمزگذاری ویژگی ضمنی برای منطق عملیاتی ریاضی ذاتی اپراتورها ارائه می دهد.با جایگزینی ویژگی های اپراتور برای از دست دادن عددی ، می توانیم ترکیب اپراتورهای عبارات هدف را پیش بینی کنیم.ما مدل را در مجموعه داده های عمومی ارزیابی می کنیم ، و نتایج نشان می دهد که این مدل به نرخ بازیابی برتر و نمرات بالا $ R^2 $ دست می یابد.با بحث در مورد نتایج ، ما شایستگی و demerit از NET را تجزیه و تحلیل می کنیم و طرح های بهینه سازی را پیشنهاد می کنیم.