符号回归的先验知识
该研究采用概率正则树表达式 (pRTE) 紧凑表达领域专家对科学方程的先验信念，并采用贝叶斯推理将其提供给以有限状态机编码的符号回归，以有效提高其搜索效率和性能。
Jun, 2023
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
本文研究了将预训练的大型语言模型（LLMs）整合到 Symbolic Regression（SR）流程中，利用 LLMs 依据观测数据提出可能的函数，并通过模型自身和外部优化器逐步优化，取得令人满意的结果。同时，分析了在这一背景下的视觉 - 语言模型，在输入中包含图像以辅助优化过程，研究结果显示 LLMs 能够成功恢复适合给定数据的符号方程，优于基于遗传编程的 SR 基准方法，并且将图像加入输入具有较好的效果，尤其对于复杂的基准问题。
Apr, 2024
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
本文研究了在符号回归（SR）的参数估计步骤中添加形状约束及其考虑。我们提出了使用基于梯度的数值优化来最小化参数估计期间的形状约束违规。通过对合成数据集进行测试，我们评估了三种算法变体的性能，以识别出三个符号表达式。结果表明，当数据稀缺时，将形状约束融入表达式搜索特别有益。与仅在选择过程中使用形状约束相比，我们的方法在某些测试情况下显示出统计上显著的好处，而在任何情况下都没有显著恶化。
May, 2024
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
本文介绍符号回归的概述，着重于可解释性标准。通过一个健康与营养的案例来展示了符号回归应用的好处和挑战，说明了解决 实际问题 中可解释模型对评估具有实际意义的信息融合的重要性。
May, 2023