精选理由
符号回归领域终于有了能同时兼顾精度和简洁性的方法，做科学发现和可解释建模的团队可以直接用LEE替代传统遗传编程，结果更干净。
符号回归旨在从观测数据中寻找闭合形式的数学表达式。现有神经方法通过单次编码直接映射表达式，但存在“摊销差距”。本文提出潜在方程嵌入框架，通过迭代摊销推理来缩小这一差距。LEE学习一个共享潜在空间，包含编码器、表达式解码器和评估解码器，后者将潜在空间与函数行为显式关联。推理时，LEE通过重新编码解码出的表达式与观测数据，逐步改进潜在估计，并融合连续梯度下降与离散重新编码。在SRBench上，LEE生成的表达式比最强基线简单2-10倍，复杂度仅为8-11，同时保持高精度。
AI 翻译 · 中文
符号回归旨在从观测数据中寻找闭合形式的数学表达式。现有神经方法通过单次编码直接映射表达式，但存在“摊销差距”。本文提出潜在方程嵌入框架，通过迭代摊销推理来缩小这一差距。LEE学习一个共享潜在空间，包含编码器、表达式解码器和评估解码器，后者将潜在空间与函数行为显式关联。推理时，LEE通过重新编码解码出的表达式与观测数据，逐步改进潜在估计，并融合连续梯度下降与离散重新编码。在SRBench上，LEE生成的表达式比最强基线简单2-10倍，复杂度仅为8-11，同时保持高精度。
Symbolic regression (SR) seeks closed-form mathematical expressions that fit observed data. Neural SR methods amortize the search by training an encoder to map observations directly to expressions in a single pass, but t…