大模型摘要可能已过时中文全文附件 2arXiv cs.AI · 2026-10-17 · 4 天前
L2G-SR: Learning to Guide LLM-based Symbolic Regression
中文摘要
由模型生成 · 人工抽检L2G-SR 提出用学习到的结构验证器引导基于 LLM 的符号回归搜索，利用树编辑距离构建结构监督信号，弥补纯数值误差偏好近似解而非正确结构的问题。在 LLM-SRBench 上取得数值拟合、方程级准确率和 TED 的最优结果，展示了结构引导对 LLM 符号回归的价值。
全文
已译中文arXiv:2610.20685v1 公告类型：新
摘要：符号回归旨在搜索出一个能够解释观测数据的方程。数值误差常被用于引导搜索，但仅凭数值误差可能会偏向于一个精确的替代模型，而非一个结构正确的候选方程。我们提出 L2G-SR，这是一个基于 LLM 的符号回归框架，它利用学习到的结构验证器来引导搜索。我们使用树编辑距离（TED）构建结构监督信号，并考虑了可交换算子和替代表达式形式。验证器首先将数值观测与公式对齐，然后学习对候选公式与目标公式的结构相似性进行评分。在搜索时，目标公式是隐藏的，验证器在父代选择中补充数值误差。随后，分析员利用验证器反馈和诊断工具提出修改建议，生成器将这些建议转换为精炼后的表达式。在 LLM-SRBench 上，L2G-SR 在所评估的 LLM 主干模型和领域上均实现了 SOTA 的数值拟合、方程级准确率和 TED。L2G-SR 展示了学习到的结构引导对于基于 LLM 的符号回归的价值。
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
2 个 · 均跳转原站，本站不托管文件有效期判断
起 2026-10-16止 2026-04-20模型置信度 60%
正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。