Palestra: Multiview Symbolic Regression: How To Learn Laws From Examples

Criada em 27/11/2023 18:43 por maperna | Marcadores: evento fen

 

Palestrante: Etienne Russeil, Université Clermont-Auvergne (France)
Local: Auditório da FEN
Data: 05.12.2023 - Horário 16h
A palestra será em inglês
Title: Multiview Symbolic Regression: How to learn laws from examples
Abstract: Symbolic Regression is a data-driven method that searches the space of mathematical equations to find the best analytical representation of a given dataset. It is a very powerful tool, which enables the emergence of underlying behavior governing the data generation process. Furthermore, in the case of scientific equations, obtaining an analytical form adds a layer of interpretability to the answer, which might highlight interesting properties. However, equations built with traditional Symbolic Regression approaches are limited to describing one particular event at a time. That is, if a given parametric equation were at the origin of two datasets produced using two sets of parameters, the method would output two particular solutions with specific parameter values for each event, instead of finding a common parametric equation. In this work, we propose an adaptation of Symbolic Regression that is capable of recovering a common parametric equation hidden behind multiple datasets generated using different parameter values. We call this approach Multiview Symbolic Regression (MvSR) and propose an implementation inside the operon framework. We demonstrate how it can recover expressions from incomplete pieces of information carried by multiple examples. We further highlight the potential of MvSR by demonstrating its efficiency on a variety of real scientific datasets. The resulting parametric equations can correctly describe the examples from which they were built as well as other unseen similar examples


 

 



Copie o link desta notícia para compartilhar:


www.eng.uerj.br/noticias/1701117825-Palestra+Multiview+Symbolic+Regression+How+To+Learn+Laws+From+Examples





Comente esta notícia

(Para perguntas, verifique acima a forma de contato na notícia)
Seu nome
Seu E-mail (não será divulgado)
Seu comentário
Código de verificação (Repita a sequência abaixo)

Todos os campos são obrigatórios


Regras para comentários:
  • Comentários anônimos serão excluídos;
  • A postagem de comentários com links externos será excluída;
  • Não publicamos denúncias. Nestes casos, você deve encaminhar aos órgãos cabíveis ou indicados na notícia;
  • Comentários que fujam ao teor da matéria serão excluídos;
  • Ofensas e quaisquer outras formas de difamação não serão publicadas;
  • Os autores da notícia não monitoram os comentários, portanto não há garantias que serão lidos e/ou respondidos. Procure a forma de contato na própria notícia

 

Não há comentários ainda.