标签
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。
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。