Effiziente Symbolische Regression dank Foundation-Model-Distillation
Die Entdeckung von mathematischen Gleichungen aus Messdaten – auch als symbolische Regression bekannt – ist ein zentrales Werkzeug für die wissenschaftliche Forschung. Sie ermöglicht es, physikalische, biologische und ökonomische Prozesse transparent zu modellieren. Doch wenn große, vortrainierte Foundation‑Modelle auf kleine, domänenspezifische Datensätze angewendet werden, treten häufig negative Transfereffekte auf und die Modelle generalisieren schlecht.
