本当に？記号回帰における不確実性定量化の包括的で理解しやすいサーベイ

記号回帰（Symbolic Regression、SR）は、数学関数の空間を系統的に探索し、データセット内の関係を正確に捉えるモデルを発見する手法の一種です。近年の進歩にもかかわらず、不確実性定量化（Uncertainty Quantification、UQ）のサポートが不足しているため、現実世界の意思決定プロセスへの導入が制限されています。回帰分析において、UQはモデルの信頼性に関する重要な情報を提供し、データの不確実性を考慮することで過学習を防ぎ、意思決定に洞察をもたらします。本サーベイは、この問題に初めて明確に取り組んだものであり、基本的なUQの概念を紹介するとともに、SRにおけるUQの既存文献を網羅的にレビューしています。既存研究は大きく3つの方向性に分類できます：頻度論的アプローチ、ベイズ的アプローチ、そしてモデル選択アプローチです。頻度論的手法は反復サンプリングや漸近理論に基づいて不確実性を推定します（例：ブートストラップ法、信頼区間）。ベイズ的手法は事前分布と事後計算を用いて不確実性を定量化し、事前知識を統合できます。モデル選択手法は複数の候補モデル間でトレードオフを考慮し、AICやBICなどの基準を用いて最も信頼性の高い表現を特定します。UQの重要性にもかかわらず、SRにおけるUQはまだ十分に探求されていません。著者らは、既存手法には計算効率、解釈可能性、ロバスト性の面で課題があり（例：ベイズ法の計算コストが高い、頻度論法はサンプルサイズに敏感）、信頼性の高いUQ手法の開発が急務であると指摘しています。今後の研究は、UQ技術をSRのプロセスにシームレスに統合し、科学的発見や工学的応用における実践的な展開を促進することを目指すべきです。さらに、本サーベイは高次元データへの対応やUQ手法の評価方法など、今後の開放問題についても議論しています。このサーベイは、記号回帰分野の研究者や実務者にとって貴重な参考資料となり、今後の研究の重要な方向性を示しています。