シンボリック回帰は、複雑なシステムから解釈可能な数式を自動的に導出する手法として知られていますが、従来は1つの出力変数に対して個別に適用されてきました。しかし、プロセスシステムなど多くの実世界の問題では、複数の状態変数が共通の物理的パラメータを通じて相互に結合しており、独立した回帰では個々の方程式は正確でも、それらを統一されたモデルとして解釈することが困難になります。 この課題に対して、今回arXivで発表されたこの研究は、神経進化的アプローチを用いたマルチ出力システム向けのシンボリック回帰手法を提案しています。核となるのは「共有シンボリックバックボーン」という概念で、一度発見された潜在的な数式ユニットの集合を複数の出力が疎な加算的または乗算的な読み出しを通じて再利用するものです。離散的なモデル構造は遺伝的アルゴリズムの突然変異と交叉によって進化させられ、連続的なパラメータは勾配降下法で調整されて次世代に継承されます。 ベンチマークテストおよび熱水液化収率の実データでの評価結果から、興味深い知見が得られました。カップリングによって常に予測誤差が低下するわけではなく、本手法の主な価値は、物理的に共有される因子が潜在表現に組み込まれ、データからは弱く識別可能な場合に、異なる出力間の一貫性を強制し診断することにあります。Langmuir-Hinshelwoodモデルやサイトカバレッジの分母のような複雑な構造では、従来の独立したPySRでは一貫性ギャップを埋められませんが、提案手法は共有形式を回復できます。一方、Van de Vusseベンチマークのように各出力が既に識別可能な場合は、独立した回帰の方が同等またはより優れた性能を示します。本フレームワークは汎用予測器というより、疎で共有され、弱く識別可能な目標構造から共有メカニズムを抽出する特化した手法として位置づけられます。