智能AI
morning
L2G-SR：学习指导基于LLM的符号回归
摘要
arXiv:2610.20685v1 Announce Type: new Abstract: Symbolic regression searches for an equation that explains observed data. Numerical error is commonly used to guide the search, but it alone can favor a...
the
and
for
LLM
structural
verifier
regression
search
with
L2G
2026-10-16
1 阅读
约1分钟阅读
Letian Huang, Xiangyu Wang, Haowei Lin, Di He
字号:
arXiv:2610.20685v1 公告类型：新 摘要：符号回归搜索解释观测数据的方程。数字错误通常用于指导搜索，但仅凭它就可以支持准确的替代项，而不是具有正确结构的候选项。我们提出了 L2G-SR，一种基于 LLM 的符号回归框架，可通过学习的结构验证器指导搜索。我们使用树编辑距离（TED）构建结构监督信号，考虑交换算子和替代表达形式。验证者首先将数值观察与公式对齐，然后学习对候选者与目标公式的结构相似性进行评分。在搜索时，目标公式被隐藏，验证者补充父选择中的数值错误。然后，分析师使用验证者反馈和诊断工具提出修订建议，生成器将其转换为精炼的表达式。在 LLM-SRBench 上，L2G-SR 在评估的 LLM 主干和领域中实现了最先进的数值拟合、方程级精度和 TED。 L2G-SR 展示了学习结构指导对于基于 LLM 的符号回归的价值。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱