GenSR: Neue generative Symbolische Regression revolutioniert Gleichungsfindung

Die Forschung im Bereich der Symbolischen Regression (SR) hat einen bedeutenden Fortschritt erzielt: Das neue Framework GenSR nutzt einen generativen latenten Raum, um mathematische Gleichungen aus beobachteten Daten zu extrahieren. Im Gegensatz zu herkömmlichen Methoden, die in diskreten Gleichungsräumen arbeiten, bietet GenSR eine kontinuierliche Darstellung, die strukturelle Änderungen der Gleichungen mit ihrem numerischen Verhalten in Einklang bringt.

GenSR basiert auf einem dualen Conditional Variational Autoencoder (CVAE), der Gleichungen in einen latenten Raum überführt, der sowohl symbolische Kontinuität als auch lokale numerische Glattheit gewährleistet. Dieser Raum fungiert als gut strukturierte „Landkarte“ des Gleichungsraums und liefert Richtungsimpulse für die Suche. Während der Inferenz lokalisiert der CVAE zunächst grob die Daten in vielversprechenden Regionen des latenten Raums.

Anschließend wird ein modifiziertes CMA-ES-Optimierungsverfahren eingesetzt, das die Kandidatenregionen verfeinert und dabei die glatten Gradienten des latenten Raums nutzt. Aus bayesscher Sicht wird die SR-Aufgabe als Maximierung der bedingten Verteilung \(p(\mathrm{Equ.} \mid \mathrm{Num.})\) formuliert, wobei das CVAE-Training dieses Ziel durch die Evidence Lower Bound (ELBO) erreicht. Diese theoretische Grundlage garantiert die Wirksamkeit von GenSR.

Umfangreiche Experimente zeigen, dass GenSR gleichzeitig die Vorhersagegenauigkeit, die Ausdrucksimplicität und die Rechenleistung optimiert. Zudem bleibt das Verfahren robust gegenüber Rauschen, was es zu einer vielversprechenden Lösung für die Analyse komplexer Datensätze macht.