提出了一种利用可微分的 CGP 编码进行多目标进化搜索的 MEMETIC 算法，以学习回归方程中的数值常量，在火星探测器热功率估算和通过陀螺定年法确定恒星年龄两个应用中，该方法显示出与机器学习的黑盒回归模型或手动匹配方法同等或更高的性能。

Jun, 2022

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

通过混合神经引导 / 遗传编程方法来优化符号回归问题，表明针对该混合优化方式的神经引导组件可用于改进生产规划初始种群，而分离神经引导和遗传编程组件的生成方式最优，增加了一组 22 个符号回归基准问题。

Oct, 2021

引入 “类别符号回归”—— 一个首个框架，能够自动找到一个准确适用于多个数据集（每个数据集都由其可能独特的拟合参数集）的单一分析函数形式。通过应用于一系列合成玩具案例数据集，我们展示了这种新颖方法的有效性，并成功从模拟轨道（近似恒星流）的集合中提取出一个解析星系势能，展示了其在天体物理学中的实用性。

Dec, 2023

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

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

本研究对最近遗传规划、符号回归以及机器学习方法在回归问题中的表现进行了广泛的基准测试，并且发现在性能和准确度上，符号回归具有非常强的竞争力，但在运行时间上较缓慢，因此提出了符号回归在机器学习领域推广可能面临的问题。

Apr, 2018

本文提出了一种通过定义与内核关联的统计假设的符号表示来定义内核 - 内核的方法，并在离散内核空间中搜索的新颖且高效的搜索方法。

Oct, 2022

本文提出了一种新的基于贝叶斯的符号回归 (SR) 方法，通过添加先验知识，控制复杂度，并利用马尔可夫链蒙特卡罗方法从后验分布中采样符号树，从而提高 SR 模型的可解释性和准确性。与遗传编程相比，该方法更节省计算机内存。

Oct, 2019