我们使用符号回归作为研究超出标准模型物理的有力工具，提供了一组分析表达式，用理论参数来重现三个感兴趣的低能观测值：希格斯玻色子质量、修正磁动量与矛盾的贡献以及冷暗物质剩余密度。我们使用这些符号表达式进行全局拟合分析，极快地得到参数的后验概率密度，相较于传统方法具有极大的优势。

May, 2024

本文研究了符号回归作为材料研究的分析方法的潜力。讨论了符号回归的工业应用和其在材料科学中的潜在应用。通过两个案例研究，提出符号回归技术应作为学习数据的材料科学家们用来替代其他基于机器学习的回归模型。

Jan, 2019

提出了一种基于符号物理学习器的方法用于发现非线性动力学的数学结构，特点包括搜索灵活性和公式的简约执行，该机器相对于其他最先进的基线有优越性。

May, 2022

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

通过使用符号机器学习方法，本研究探索了一种多目标迭代符号回归方法，用于描述轻中质量核的结合能和电荷半径，发现了简单的解析关系，并将该模型与现有的补充模型相结合，估计了核稳定性的极限。这些结果凸显了符号机器学习在开发准确的核模型和解决复杂多体问题方面的潜力。

Apr, 2024

通过将神经网络和物理启发式技术结合起来，我们开发了一种递归多维符号回归算法，将其应用于来自费曼物理学讲义的 100 个方程，并成功发现了所有未知函数方程。

May, 2019

我们提出了一个框架来约束自动顺序生成方程式以通过构造符合量纲分析规则。结合增强学习，我们构建了 Phi-SO，一种从物理数据中恢复分析函数的物理符号优化方法，利用单位约束。我们的符号回归算法在已知物理单位的情况下取得了最先进的结果，在存在噪音（超过 0.1%）的情况下在 SRBench 的 Feynman 基准测试中表现出色，并且即使在存在显著（10%）级别的噪音下也表现出弹性。

Dec, 2023

本文介绍了在高能物理中进行新现象发现和模型参数置信区间的基于似然的统计检验方法，聚焦于测试程序的性质，包括系统误差的考虑，推导了 Wilks 和 Wald 结果的渐近分布的显式公式，提出并证明使用代表性数据集 Asimov 数据集的方法，该数据集提供了一种在搜索或测量中获得中位实验灵敏度以及这一期望的波动的简单方法。

Jul, 2010

本篇研究提供一种改进的符号回归方法，利用 Pareto 最优化原理寻求最适合数据的公式，同时从神经网络的梯度属性中发现广义对称性，通过正常流将其推广到只有样本分布的概率分布上，并采用统计假设检验加速鲁棒性暴力搜索。

Jun, 2020

本文提出了类似于横向质量的运动学变量 m_T2，可以用于在两个或多个粒子未被检测到的事件中，描述了该变量和适用于该变量的事件拓扑结构，讨论了其数学特性，并简要介绍了两个案例研究，展示了在大型强子对撞机中重建超对称粒子质量时 m_T2 的关键作用。

Apr, 2003