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
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
基于深度策略梯度的垂直符号回归（VSR-DPG）可以通过将代数规则迭代应用，建立起包含多个输入变量的等式，显著超越了基于深度强化学习的方法和以往的 VSR 变种。
Feb, 2024
本研究重新审视了 Symbolic Regression 的数据集和评估标准，旨在探讨其在科学探索中的潜力。我们基于现有物理学讲义上的一组公式重建了 120 个数据集，为每个数据集设计了合理的取样范围，并提出使用标准化编辑距离作为评价指标。通过对五种最先进的 SR 方法和一种基于 Transformer 结构的简单基准线进行实验，结果表明我们提供了更现实的性能评估，并为开展基于机器学习的科学发现打开了新的思路。
Jun, 2022
我们提出了 DySymNet，这是一个新颖的神经引导的动态符号网络，用于符号回归。通过对各种结构进行优化，我们能够更好地识别与数据更匹配的表达式，在低维和高维问题中都能取得卓越的性能。
Sep, 2023
本研究介绍了第一种使用大规模预训练的符号回归方法，通过生成一组不受限方程式并使用 Transformer 预测输入输出对应的符号方程，提高了方程式发现的效率和准确性。
Jun, 2021
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
提出了一种基于变压器（Transformer）的符号回归规划策略（TPSR），它融合了蒙特卡罗树搜索，允许将准确性和复杂性等非可微反馈信息整合到方程生成过程中，并且在多个数据集上进行的广泛实验表明，TPSR 方法优于现有的方法。
Mar, 2023
这篇研究论文介绍了一种新的 Transformer 模型，用于符号回归（Symbolic Regression）特别关注其在科学发现领域的应用。我们提出了三种不断增加灵活性的编码器架构，但代价是列置换等变性的破坏。训练结果表明，最灵活的架构能够防止过拟合。经过训练后，我们应用最佳模型到符号回归科学发现数据集（SRSD 数据集），使用归一化的基于树的编辑距离获得了最新的结果，而且不需要额外的计算成本。