介绍了一种名为 GSR 的基于遗传编程的符号回归方法，该方法通过基函数的加权和发现自变量与目标变量之间的关系，并获得了与强符号回归基准方法相当的实验性能，并引入了一种新的符号回归基准集 SymSet。

May, 2022

通过利用预训练的深度生成模型来捕捉方程的内在规律，本研究提出了深度生成符号回归（DGSR）框架，实现了具有更高恢复率和更高计算效率的符号回归解决方案。

Dec, 2023

用深度学习提出的 GFN-SR 框架在符号回归中模拟表达树的构建，通过学习一个随机策略来顺序生成这些树，这种方法能够生成多样的最佳拟合表达式，在噪声数据环境下优于其他符号回归算法。

Dec, 2023

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

本研究提出了一种名为 DGP 的可微分方法，用于高维符号回归，其包括新的数据结构、采样方法和多样化机制等。实验证明，该方法能够有效地优化生成树，取得了在高维回归基准测试中优于同行竞争者的性能，并且即使在不同噪声水平下，也能够实现最佳恢复率。

Apr, 2023

本研究提出了一种通过计算机视觉构建符号表达式变换器来解决基于样本的符号回归模型的通用性和效率受限的问题，并在一个不重复数据集上进行了测试。

May, 2022

PySR 是一种旨在发现可解释的符号模型的实用符号回归的开源库，其后端基于 Julia 库 SymbolicRegression.jl，具有多种功能，包括自动微分和将表达式分发到整个集群中的数千个内核，同时我们引入了 “EmpiricalBench” 这种新的基准来衡量其在科学领域中的适用性。

May, 2023

多视图符号回归（MvSR）方法考虑多个同时存在的数据集，以模拟实验环境并输出一个通用参数解，可以准确拟合所有数据集，能够恢复已知表达式并找到有前景的替代方案，从而使符号回归方法在广泛的实验场景下可用。

Feb, 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

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