- syren-halofit：ΛCDM 非线性物质功率谱的快速、可解释、高精度公式
用符号回归方法获得 $P (k)$ 的简化解析近似，通过重新优化 halofit 参数减小了预测误差，加入符号矫正的 syren-halofit 方法进一步提高了准确性，快速且准确地逼近了 $P (k)$。
- 符号回归的函数分析方法
在函数分析的新视角下，我们提出了一种名为傅里叶树生长（FTG）的新颖符号回归方法，以解决遗传编程在树状表示用于符号回归时的性能限制问题，并在经典一维基准问题上取得了显著的性能改进，同时揭示了遗传编程在符号回归问题上的局限，并为进一步推动符号 - Sym-Q：符号回归的自适应序贯决策
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。
- 多视角符号回归
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。
- 利用深度学习发现科学图像数据的可解释模型
通过使用可解释的模型，我们研究如何从复杂图像数据中得出科学洞见，并通过实现解缠表示学习、稀疏深度神经网络训练和符号回归等方法，对复杂图像数据形成可解释的模型进行评估，以及探索这些可解释模型在揭示潜在生物现象方面的用途。
- 基于深度策略梯度的垂直符号回归
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。
- PruneSymNet：符号回归的符号神经网络和剪枝算法
提出了一种符号回归的符号网络 PruneSymNet，使用了贪婪修剪算法与波束搜索相结合的方法来获得最优解和多个候选表达式，并在公共数据集上进行了测试以及与流行算法的比较，结果表明该算法具有更好的准确性。
- 通过 GPT 引导的蒙特卡罗树搜索从数据中发现数学公式
SR-GPT 是一种新的符号回归算法，通过将 MCTS 与 GPT 相结合，显著提高了 MCTS 的搜索效率，并利用 MCTS 结果进一步完善 GPT，从而在正确恢复符号表达式方面优于现有的最先进算法。
- 引导 OTS-Funcimg 预训练模型（Botfip）—— 一个综合的符号回归框架
在科学计算领域中，很多问题解决方法都注重过程和最终结果，即使在科学领域的人工智能中，也缺乏深入的多模态信息挖掘，缺少与图像文本领域类似的多模态框架。本文以符号回归（SR）为重点，从图像文本领域的 BLIP 模型得到启发，提出了一种基于函数图 - SymbolNet: 自适应动态修剪的神经符号回归
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。
- ICLR深度生成符号回归
通过利用预训练的深度生成模型来捕捉方程的内在规律，本研究提出了深度生成符号回归（DGSR）框架，实现了具有更高恢复率和更高计算效率的符号回归解决方案。
- 天体机器学习：用 AI Feynman 发现火星的平面性、太阳中心性和轨道方程
机器学习、算法、火星轨道、符号回归和开普勒第一定律的发现。
- 垂直符号回归
通过垂直发现和学习符号回归，实现了自动化科学发现的目标，从而加速了学习含有多个自变量的符号表达式。
- GINN-LP: 发现多元洛朗多项式方程的可扩展可解释神经网络
提出了 GINN-LP，这是一个可解释的神经网络，用于发现数据集的潜在方程的形式和系数，该方程被假设为多变量劳伦多多项式的形式。通过一种新类型的可解释神经网络块，名为 “幂项逼近块”，由对数和指数激活函数组成，为此提供了便利。在符号回归的基 - 动态网络模型的符号回归
使用复杂系统、网络、遗传编程、符号回归和进化计算等方法，该研究论文介绍了一种用于生成网络结构和发展过程的新型网络生成器，并通过改进的方法和应用于多个数据集的实验证明了其解释性和去中心化特性。
- 天体机器学习：运用 AI Feynman，从数据到火星和更远
机器学习算法通过天文观测单独发现或学习开普勒第一定律，我们使用受物理启发的符号回归工具 AI Feynman 来模拟约翰尼斯・开普勒使用鲁道夫表发现了火星轨道方程。
- 用于科学发现的符号回归的 Transformer 模型
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 - 物理符号优化
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 - GFN-SR: 基于生成流网络的符号回归
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。
- Alpha Zero 物理：使用 Alpha Zero 进行符号回归以找到物理学中的分析方法
使用符号回归及 Alpha Zero 算法的物理分析方法研究框架，展示了其在 Floquet 系统中获得高频扩展的潜力，可能发展出物理学的新理论框架。