本文提出一种扩展 Interaction-Transformation 方法的新函数形式，称为 Transformation-Interaction-Rational representation，通过对目标变量的变换，并使用两个 Interaction-Transformation 函数的有理数形式，提高了模型的近似能力。在大型基准测试中取得了与尖端性能相当的结果。

Apr, 2022

本研究通过举行 Symbolic Regression 竞赛，基于不同的合成和真实数据集比较了演化算法、枚举算法、混合线性整数规划、神经网络和贝叶斯优化等不同算法在现实世界数据建模方面的表现，并讨论了 Symbolic Regression 算法的挑战和未来发展方向。

Apr, 2023

本文提出了一种新的神经网络架构，即增强交互式 Transformer (EIT)，用于解决自注意机制中的头部衰减问题。我们将传统的多头自注意机制替换为增强的多头注意力机制 (EMHA)，并引入两种交互模型，Inner-Subspace 交互和 Cross-Subspace 交互，以充分利用 EMHA 的映射能力。通过广泛的实验，我们发现 EIT 在多项任务上 (如机器翻译、摘要生成、语法纠正、语言建模和脑疾病自动诊断)，仅仅在模型大小方面有很小的增加就能以优异的性能超越传统模型。

Dec, 2022

使用复杂系统、网络、遗传编程、符号回归和进化计算等方法，该研究论文介绍了一种用于生成网络结构和发展过程的新型网络生成器，并通过改进的方法和应用于多个数据集的实验证明了其解释性和去中心化特性。

Dec, 2023

我们对新兴的符号回归系统进行测试，使用端到端的转换器模型与基于遗传编程的传统方法进行比较，结果表明传统的遗传编程方法仍然优于最近发表的两种符号回归方法。

Jun, 2024

在函数分析的新视角下，我们提出了一种名为傅里叶树生长（FTG）的新颖符号回归方法，以解决遗传编程在树状表示用于符号回归时的性能限制问题，并在经典一维基准问题上取得了显著的性能改进，同时揭示了遗传编程在符号回归问题上的局限，并为进一步推动符号回归和可解释机器学习相关领域的发展指明了方向。

Feb, 2024

本文提出了一种挑战基于遗传编程的符号回归任务的两步法的新方法，利用 Transformer 直接预测包括常数在内的完整的数学表达式，并通过给非凸优化器提供信息化的初始化对预测的常数进行细化，实验表明该方法的效果更好，在 SRBench 基准问题上的表现接近最先进的基因编程方法，并且推断速度要快数个数量级。

Apr, 2022

为了解决探索性任务中的探索难题，本文针对具有转换依赖性的多智能体环境提出了两种探索方法：基于信息论影响的探索（EITI）和基于决策论影响的探索（EDTI），通过利用智能体协作行为中交互作用的作用加以利用。我们通过优化这两种方法来鼓励智能体协调他们的探索和学习策略，最终通过在多智能体环境中的实验演示了我们方法的高效性。

Oct, 2019

本文综述了符号回归方法的优缺点，探讨了其在机器学习、深度学习等应用领域中以数据驱动的模型发现方法所取得的显著进展。

Nov, 2022

Taylor 遗传编程是一种利用 Taylor 多项式来提取符号方程特征的 SR 问题解决方法，实验证明 Taylor 遗传编程比其他九种基准方法更准确且更快。

Apr, 2022