기호 회귀를 위한 LLM 기반 진화 탐색 프레임워크에 프로그래밍 방식의 컨텍스트 증강을 도입했다. 기존 접근법이 평균 제곱 오차 같은 스칼라 평가 지표에만 의존하는 한계를 극복하기 위해, 코드 기반 데이터셋 상호작용으로 데이터 분석을 수행하고 정보가 풍부한 신호를 추출한다. LLM-SRBench 등 고급 벤치마크에서 강력한 기준 모델 대비 우수한 효율성과 정확도를 달성했다.
- •기존 LLM 기반 기호 회당의 스칼라 평가 지표 의존 한계를 극복하는 프로그래밍 방식 컨텍스트 증강을 제안한다.
- •코드 기반 데이터셋 상호작용을 통해 집계된 평가 점수를 넘어선 정보가 풍부한 신호를 추출한다.
- •LLM-SRBench 등 고급 벤치마크에서 강력한 기준 모델 대비 우수한 효율성과 정확도를 달성했다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Programmatic Context Augmentation for LLM-based Symbolic Regression
- 1.LLM 기반 진화적 탐색에 프로그래매틱 콐텍스트 확장을 적용한 심볼릭 회귀 프레임워크 제안
- 2.코드 기반 데이터 분석으로 스칼라 MSE 외 코드 기반 다양한 측량 신호 추출 가능
- 3.LLM-SRBench등 검증에서 강력한 기준선 대비 우수한 효율과 정확도 달성
왜 중요한가?
과학적 발견의 핵심인 기호 회귀에서 단순 오차 지표를 넘어 데이터와 코드로 상호작용하는 맥락 강화 방식을 도입해, LLM 기반 알고리즘 설계의 표현력과 확장성을 높인다.
본문 미리보기
arXiv:2605.03101v1 Announce Type: new Abstract: Symbolic regression (SR), the task of discovering mathematical expressions that best describe a given dataset, remains a fundamental challenge in scientific discovery. Traditional approaches, primarily based on genetic algorithms and related evolutionary methods, have proven useful but suffer from scalability and expressivity limitations. Recently, large language model (LLM)-based evolutionary search methods have been introduced into SR and show p
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
