标签
EditSR 提出了一种双层框架，将神经符号回归模型与基于编辑的修正器（Rectifier）相结合，以高效修正生成表达式中的结构错误，减少错误累积，并以有限的额外成本提高复杂符号结构的恢复能力。
关于符号回归中不确定性量化的全面综述，回顾了频率学派、贝叶斯以及模型选择方法，以解决在现实决策过程中缺乏可靠性支持的问题。
刻意进化（DE）是一个智能体框架，通过将候选生成与搜索控制解耦，并结合自适应算子、结构诊断工具和反思性记忆，显著提升了基于大语言模型的符号回归效果，仅需标准样本预算的40%即可取得更优结果。
本文提出了“加性原子森林”框架，利用导数代数和自扩展原子库，同时从数据中恢复函数及其反导数的符号形式。该方法在分类基准和费曼符号回归任务上表现优异，且结果具有可解释性。
本文介绍了 DoLQ，这是一个多智能体框架，利用大语言模型执行定性和定量评估，从而从观测数据中发现常微分方程。