כתבה
arXiv cs.AI ·
LLMs כמבקרים פוסט-הוצאה לאור של סבירות פיזיולוגית ב-Symbolic Regression: מחקר מקצועי-מבוקר
LLMs as Post-hoc Auditors of Physiological Plausibility in Symbolic Regression: A Clinician-Evaluated Case Study
LLMs מסייעים לשפר את ההסברה של מודלי Symbolic Regression. במחקר זה, נחקרת שימוש ב-LLMs ככלי לניתוח ודירוג מודלים סימבוליים לפי סבירותם הרפואית.
תקציר מקורי באנגליתarXiv:2609.11431v1 Announce Type: new Abstract: Genetic Programming and its variants, such as grammatical evolution, are widely used in Symbolic Regression to derive mathematical expressions from multivariate data. In addition to predictive accuracy, models are appreciated for their potential to provide interpretability, offering explicit equations that relate input variables to outcomes. However, achieving interpretability and plausibility remains challenging, as evolved models may be complex or scientifically inconsistent. In this study, we explore whether Large Language Models, can assist in improving the explainability of Symbolic Regression models generated by evolutionary computation methods. Building upon our previous work on estimating body fat percentage using grammar-based Geneti
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית