view in publisher's site

Interaction-transformation symbolic regression with extreme learning machine

Symbolic Regression searches for a mathematical expression that fits the input data set by minimizing the approximation error. The search space explored by this technique is composed of any mathematical function representable as an expression tree. This provides more flexibility for fitting the data but it also makes the task more challenging. The search space induced by this representation becomes filled with redundancy and ruggedness, sometimes requiring a higher computational budget in order to achieve good results. Recently, a new representation for Symbolic Regression was proposed, called Interaction-Transformation, which can represent function forms as a composition of interactions between predictors and the application of a single transformation function. In this work, we show how this representation can be modeled as a multi-layer neural network with the weights adjusted following the Extreme Learning Machine procedure. The results show that this approach is capable of finding equally good or better results than the current state-of-the-art with a smaller computational cost.

رگرسیون نمادین تعامل - تبدیل با ماشین یادگیری شدید

رگرسیون نمادین به دنبال یک عبارت ریاضی است که با مجموعه داده‌های ورودی با به حداقل رساندن خطای تقریب متناسب باشد. فضای جستجو بررسی شده توسط این تکنیک از هر تابع ریاضی قابل‌نمایش به عنوان یک درخت بیان تشکیل شده‌است. این امر انعطاف‌پذیری بیشتری را برای برازش داده‌ها فراهم می‌کند اما کار را چالش برانگیز تر می‌کند. فضای جستجو که توسط این نمایش القا می‌شود با افزونگی و ناهمواری پر می‌شود و گاهی اوقات به بودجه محاسباتی بالاتری برای دستیابی به نتایج خوب نیاز دارد. اخیرا، یک نمایش جدید برای رگرسیون نمادین پیشنهاد شده‌است، که تبادل - تبدیل نامیده می‌شود، که می‌تواند فرم‌های تابع را به عنوان ترکیبی از تعاملات بین تخمینگرها و کاربرد یک تابع تبدیل واحد نشان دهد. در این کار، نشان می‌دهیم که چگونه این نمایش می‌تواند به عنوان یک شبکه عصبی چند لایه با وزنه‌ای تنظیم‌شده پس از روش ماشین یادگیری افراطی مدل شود. نتایج نشان می‌دهد که این روش قادر به یافتن نتایج خوب یا بهتر از حالت کنونی با هزینه محاسباتی کم‌تر است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Computer Science Applications
  • ترجمه مقاله Computer Science Applications
  • مقاله کاربردهای علوم کامپیوتر
  • ترجمه مقاله کاربردهای علوم کامپیوتر
  • مقاله Artificial Intelligence
  • ترجمه مقاله Artificial Intelligence
  • مقاله هوش مصنوعی
  • ترجمه مقاله هوش مصنوعی
  • مقاله Cognitive Neuroscience
  • ترجمه مقاله Cognitive Neuroscience
  • مقاله علوم عصبی شناختی
  • ترجمه مقاله علوم عصبی شناختی
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.