LLMガイドによる記号的ダイナミクスモデリングに基づく、解釈可能な関係推論

arXiv cs.LG / 2026/4/15

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、観測されたダイナミクスから潜在する相互作用構造を回復する逆問題を扱い、多くのニューラル手法が高い精度を達成する一方で、機械論的な解釈可能性を犠牲にしている点を指摘する。
相互作用グラフと疎な記号的ダイナミクス方程式を共同で発見する、微分可能な共同最適化フレームワークCOSINEを提案する。
COSINEは、固定された記号関数ライブラリを必要としない点で記号回帰を改善する。具体的には、内側ループの最適化フィードバックに基づいて、外側ループのLLMが仮説空間を動的に剪定・拡張する。
合成システムと大規模な実世界の流行データの両方に対する実験により、基盤となるメカニズムに整合した、頑健な構造回復とコンパクトなダイナミクス表現が示される。
再現性のためのコードが、リンクされたリポジトリとして提供される。

Abstract

観測されたダイナミクスから潜在する相互作用構造を推論することは、多体系の相互作用するシステムにおける基本的な逆問題である。多くのニューラルアプローチは、訓練可能なグラフ上でのブラックボックスのサロゲートに依存しており、機構的な解釈可能性を犠牲にする代わりに精度を達成している。記号回帰は、明示的な動力学方程式とより強い帰納バイアスを提供するが、通常は既知のトポロジーと固定された関数ライブラリを前提としている。そこで本研究では、 \textbf{COSINE}（\textbf{C}o-\textbf{O}ptimization of \textbf{S}ymbolic \textbf{I}nteractions and \textbf{N}etwork \textbf{E}dges）を提案する。これは、相互作用グラフと疎な記号的ダイナミクスを共同で発見する、微分可能な枠組みである。固定された記号ライブラリによる制約を克服するために、COSINE はさらに、外側ループに大規模言語モデルを組み込み、内側の最適化ループからのフィードバックを用いて仮説空間を適応的に剪定（prune）および拡張（expand）する。合成システムおよび大規模な実世界の疫学データに対する実験により、頑健な構造復元と、コンパクトでメカニズムに整合したダイナミクスの式が示される。Code: https://anonymous.4open.science/r/COSINE-6D43。