Neues Verfahren: Erfahrungsgesteuerte Symbolische Regression mit Zielorientiertem RL
In einem aktuellen Beitrag auf arXiv wird ein innovatives Konzept vorgestellt, das die klassische symbolische Regression neu definiert: EGRL‑SR, ein Framework, das auf Erfahrung basiert und zielorientiertes Reinforcement Learning nutzt. Statt sich ausschließlich auf die Fehlerwerte zu stützen, wie es die meisten bisherigen Ansätze tun, greift EGRL‑SR auf präzise historische Trajektorien zurück und optimiert ein Aktionswertnetz, um die Suche proaktiv zu steuern.
Der Kern des Ansatzes besteht darin, symbolische Regression als ein zielorientiertes RL‑Problem zu formulieren und dabei die Technik des Hindsight Experience Replay einzusetzen. Dadurch kann das Netzwerk Muster aus einer Vielzahl von Eingabe‑Ausgabe‑Paaren generalisieren und die Suche gezielt auf strukturelle Gemeinsamkeiten ausrichten, anstatt nur auf niedrige Fehlerwerte zu achten.
Zusätzlich wird ein binäres Belohnungssystem eingeführt, das die Erfüllung aller Punkte betont, und eine struktur‑geleitete Heuristik zur Exploration entwickelt. Diese Kombination fördert die Vielfalt der untersuchten Ausdrucksräume und verbessert die Abdeckung des Suchraums erheblich.
Experimentelle Ergebnisse auf öffentlichen Benchmarks zeigen, dass EGRL‑SR die Konvergenz zu korrekten, kompakt interpretierten mathematischen Ausdrücken deutlich beschleunigt und die Qualität der gefundenen Modelle gegenüber traditionellen Fehler‑basierten Methoden übertrifft.