L2G-SR: aprender a guiar la regresión simbólica basada en LLM con un verificador estructural
La regresión simbólica busca una ecuación que explique unos datos, pero guiar la búsqueda solo por el error numérico puede favorecer fórmulas precisas con estructura incorrecta. L2G-SR añade un verificador aprendido que puntúa la similitud estructural de cada candidato con la fórmula objetivo, usando como referencia la distancia de edición de árboles (TED). Un analista y un generador proponen después revisiones de las expresiones. Según los autores, en LLM-SRBench obtiene el mejor ajuste numérico, precisión a nivel de ecuación y TED en los modelos y dominios evaluados.
Qué significa
Para investigadores en descubrimiento de ecuaciones con LLM, el trabajo indica que añadir una señal estructural aprendida mejora los resultados frente a usar solo el error numérico. No hay una aplicación directa para el usuario general.
Fuentes originales
Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.
- arXiv cs.AILeer la noticia completa en arXiv cs.AI