Zachary Bastiani等提出基于扩散模型的符号回归方法
热点事件持续更新
Zachary Bastiani等提出基于扩散模型的符号回归方法
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月19日，Zachary Bastiani等人在arXiv平台发布了一名为“Mask-Based Deep Symbolic Regression”的机器学习论文。该研究提出了一种创新方法，旨在解决符号回归中的性能瓶颈。 该方法的核心在于结合随机掩码扩散过程与强化学习。它通过生成多样化的方程来探索解空间，并整合了Token级的Group Relative Policy Optimization（GRPO）算法。此外，研究还引入了长短视域的风险寻求策略，有效扩展了高绩效候选方程的搜索池。 实验部分通过具体的消融研究验证了该方法的有效性。结果显示，在特定的测量数据集上，这种整合了扩散模型与强化学习的方法能够显著提升符号回归的性能与准确度。
AI 根据报道生成 · 5 小时前更新
最新进展10月19日 12:00
Mask-Based Deep Symbolic Regression：基于扩散与强化学习的符号回归方法报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv · MLMask-Based Deep Symbolic Regression：基于扩散与强化学习的符号回归方法
提出一种基于随机掩码扩散过程的符号回归方法，通过生成多样化方程提升性能。 方法整合Token级Group Relative Policy Optimization（GRPO）进行强化学习，并引入长短视域风险寻求策略扩展高绩效候选池。 实验与消融研究验证了该方法在给定测量数据集上的有效性。
本事件热度走势
- 可比范围当前
- 8
- 可比范围峰值
- 910月19日 15:00
- 近 24 小时变化
- –
02.557.510
15:0016:0017:0018:0019:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。