标签
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。
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。