符号回归（Symbolic Regression）旨在从数据中自动发现数学表达式，近年来因神经符号方法的融合而重获关注。近期工作主要集中在两个方向：一是提升对复杂系统（如多尺度、耗散动力学）的建模能力；二是通过引入高阶表示（如程序、潜变量）改善搜索效率和解的泛化性。
- 近期主要进展包括：
- 神经引导的Lambda演算方法：Deflex 框架利用神经网络指导Lambda演算中的函数构造，能够自动从多尺度复杂系统的数据中提取显式公式，在混沌振荡器、气候模型等基准上优于传统遗传编程方法 (Deflex：神经引导Lambda演算自动发现多尺度复杂系统公式)。
- 语法约束的发现：通过语法符号回归，结合热力学第一性原理约束，自动发现与热力学第二定律一致的耗散势函数，从而保证发现的方程在物理上容许 (语法符号回归发现热力学容许耗散势)。
- 潜在迭代精炼架构：LEE 采用编码器-解码器结构，通过隐空间迭代精炼逐步细化输出，在多个标准符号回归基准上取得了最新的最优结果，且学习到的表达式往往更简洁 (LEE：通过潜在迭代精炼实现符号回归)。
当前焦点在于如何将领域知识（如守恒律、可逆性）编码到符号搜索过程中，以及提升在噪声和有限数据下的鲁棒性。未来观察点包括：动态系统、科学发现等应用中，符号回归与深度学习模型的混合范式是否会成为主流。