基于神经网络的符号回归方法中引入了动态修剪，用于同时优化训练损失和表达复杂度，通过稀疏正则化适应性地调整修剪类型的目标稀疏度，并在多个数据集上证明了其有效性。

Jan, 2024

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

我们提出 MetaSymNet，这是一种新颖的神经网络，通过动态调整其结构，允许扩展和收缩，将神经网络演化成简明、可解释的数学表达式，并在多个公共数据集上表现出优于其他算法的性能，而且在机器学习算法的拟合能力和外推能力方面均表现出优异的特点。

Nov, 2023

本篇论文提出一种名为 NSRwH 的神经符号回归方法，能够结合用户给定的领域知识，实现精确预测表达式的结构，并在实验中表现出良好的准确性。

Apr, 2023

提出了利用深度学习解决符号回归的框架，该框架使用循环神经网络生成数学表达式分布，并使用新颖的风险寻求策略梯度来训练网络生成更好的拟合表达式。该算法在一系列基准问题中表现优于几种基准方法，包括符号回归的黄金标准 Eureqa。

Dec, 2019

我们介绍了一种新颖而简单的神经网络剪枝框架，通过引入 Gumbel-Softmax 技术，在端到端的过程中使用随机梯度下降同时优化网络的权重和拓扑结构，实现了网络的卓越压缩能力，保持了在 MNIST 数据集上的高准确性，仅使用了原始网络参数的 0.15％。此外，我们的框架提升了神经网络的可解释性，不仅能够轻松从剪枝网络中提取特征重要性，而且能够可视化特征对称性和信息传递路径，学习策略通过深度学习得到，但却令人惊讶地直观且可理解，专注于选择重要的代表性特征并利用数据模式实现极度稀疏的剪枝。我们相信我们的方法为深度学习剪枝和可解释的机器学习系统的创建开辟了有前途的新途径。

Nov, 2023

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

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

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

Symbolic Q-network (Sym-Q) 是一种基于强化学习的模型，重新定义了符号回归作为一种顺序决策任务，通过奖励信号对表达式的匹配精度进行优化，从而在发现潜在表达式方面具有独特的能力和效率。

Feb, 2024