Новый метод символьной регрессии DDRSR ускоряет поиск математических формул
Символьная регрессия — это задача автоматического обнаружения закономерностей в данных и представления их в виде математических выражений. Такие методы востребованы в науке и инженерии, когда нужно восстановить физический закон или эмпирическую зависимость из экспериментальных точек. Однако современные подходы на основе машинного обучения часто не учитывают внутренние математические и физические принципы, управляющие этими выражениями.
Особенно это заметно на примере известного метода AI Feynman, который использует свойства данных для упрощения формул, но сталкивается с ограничениями: его механизм упрощения работает лишь в узком классе задач и часто не справляется со сложными уравнениями. Кроме того, метод опирается на грубый перебор подвыражений, что резко снижает его практическую ценность.
Авторы новой работы, опубликованной на arXiv (номер 2608.02628), предложили подход Deep Divide and Reduce in Symbolic Regression (DDRSR). В основе лежат строгие математические выкладки и доказательства, которые позволяют существенно расширить применимость разложения и редукции выражений. DDRSR обходит необходимость в переборе подструктур, обеспечивая одновременно более широкий охват задач и теоретическую корректность.
Эмпирические эксперименты показали, что предложенные теоретические принципы дают заметные преимущества как в задачах разложения выражений, так и в численной регрессии. Это означает, что новый метод способен эффективнее восстанавливать сложные формулы из данных по сравнению с предшественниками.
В работе также обсуждаются сценарии применения и внутренние ограничения парадигмы DDRSR, а также перспективные направления для будущих исследований. Авторы подчеркивают, что их подход — это шаг к более глубокому пониманию структуры математических выражений и автоматическому выводу физических законов.
Для научного сообщества значимость работы заключается в том, что она предлагает теоретически обоснованный способ уйти от затратных переборных алгоритмов и делает символьную регрессию более практичной для сложных реальных задач.
