标签
L2G-SR 提出用学习到的结构验证器（基于改进的树编辑距离）引导大语言模型进行符号回归搜索，弥补纯数值误差无法识别正确公式结构的不足，并在 LLM-SRBench 上取得最先进的数值拟合表现与结构准确率。
提出 Dirichlet-Sinkhorn Constant Averaging（DSCA）校准策略，通过在不同协变量分布的数据子集上独立校准候选表达式并取参数均值，为符号回归的进化搜索提供额外的选择压力，从而提升函数恢复精度与复杂度之间的权衡。
一个将深度生成模型（流模型和基于分数的模型）与符号回归相结合的框架，能够从样本中自动推断未归一化概率密度的解析形式，并在玩具分布以及格点物理系统（如XY模型和φ⁴理论重整化）上进行了验证。
EvoMO-SR 是一个由 LLM 驱动的新型符号回归框架。它使用一个小型 LLM（Llama-3.1-8B-Instruct）生成方程骨架，其系数由外部优化器拟合；同时通过多目标生存选择与子结构引导来控制表达式膨胀，并提升结构恢复能力。
MOSAIC-SR引入了一种基于Transformer的符号回归方法，通过使用初始草图来改进方程恢复和科学数据集上的预测准确性。
该论文研究使用大型语言模型作为事后审核工具，以评估符号回归模型的可解释性和医学合理性，临床医生评估表明，比较性模型排名比单项解释更受欢迎。
DeSyR是一个解耦符号恢复框架，结合了PINN引导的结构搜索和物理信息系数细化，以准确恢复微分方程的符号解。
介绍了通过 Banach 对偶性学习边几何的几何约束 Kolmogorov-Arnold 网络，在符号回归任务中展示了优越性能，特别是在测量噪声下。
InsightSR是一个利用大语言模型来优化符号回归搜索空间的框架，通过迭代的语义和结构指导提高准确性和物理一致性。
本文提出了一种自适应保护机制，用于符号回归中的进化特征构建，旨在进化过程中保留重要的构建特征，并在回归基准测试和信用分类任务中展示了性能提升。
本文提出了一种符号机器学习方法，用于发现对Peng-Robinson状态方程的可解释修正，以预测烃-氮二元混合物的汽液相平衡，相较于原始状态方程提高了准确性。
This paper introduces a verifier-guided workflow around ODEFormer, a pretrained symbolic transformer, to discover interpretable equations for physical dynamical systems. It demonstrates transfer to vortex shedding and other systems using dynamical and physical-admissibility criteria to select equations from a candidate pool.
本文介绍了DDRSR，一种在符号回归中拓宽表达式分解与归约的方法，避免暴力子结构搜索并提供理论正确性，在经验上优于先前方法。
本文研究了 LSR-Synth 基准，发现固定词汇表覆盖了大多数任务，而语言模型生成的候选很少扩展可解实例的集合，除非词汇表覆盖被破坏。
本文研究使用符号回归发现显式神经网络权重更新规则，这些规则在小型符号回归基准上优于标准手工设计的优化器，在30个基准/网络组合中的25个上实现了44.47%的聚合MSE降低。
本文介绍了MEDA，一个由LLM和符号回归驱动的代理框架，用于自动发现生物动态系统的常微分方程（ODE）模型。它检索背景知识，提出候选ODE，并在典型模型检索、外推和开放式发现任务中评估这些模型，展示了强大的结构恢复能力和生物学上合理的模型。
GAE 引入了一个结合图神经网络、强化学习和 LLM 微调的框架，以克服进化程序搜索中的瓶颈，在复杂非线性振荡器系统的符号回归上实现了最先进的性能。
本文介绍了LLM-PySR，一种通过控制搜索参数让语言模型引导符号方程发现的方法，同时使用数值符号回归进行拟合。该方法在基准任务上实现了准确性与复杂性的良好平衡。
GP_ELITE是一个基于遗传编程的符号回归纯Python库，能够从小型实验数据集中发现可解释的数学公式。0.2.0版本引入了莱文贝格-马夸尔特常数拟合、多重重启可靠性、帕累托前沿输出以及外推模式。
本文介绍了极简遗传编程（Minimalist Genetic Programming, MGP），一种新颖的算法，它用受语言学中最简方案启发的句法推导过程取代了进化，并使用 MERGE 算子来构建符号表达式。MGP 在符号回归任务中能够一致地找到精确的真实模型，而标准 GP 由于膨胀问题难以做到这一点。