English(EN) L2G-SR: Learning to Guide LLM-based Symbolic Regression

新框架L2G-SR通过结构化指导增强基于LLM的符号回归

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-16 04:00

研究人员开发了L2G-SR，一个旨在增强基于大型语言模型（LLM）的符号回归的新框架。该方法包含一个学习到的结构验证器，用于指导方程搜索，补充了传统的数值误差度量。验证器使用树编辑距离来评估候选公式与目标方程的结构相似性，以考虑表达式形式的变化。L2G-SR在LLM-SRBench基准测试中展示了最先进的性能，提高了数值拟合、方程准确性和结构相似性。 AI

影响这项研究可能导致使用LLM从数据中发现更准确、结构更合理的方程。

排序理由该集群描述了一篇详细介绍使用LLM进行符号回归的新型框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 22 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇详细介绍使用LLM进行符号回归的新型框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Letian Huang, Xiangyu Wang, Haowei Lin, Di He · 2026-10-16 04:00

L2G-SR：学习引导基于LLM的符号回归

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 an accurate surrogate over a candidate with the right structure. We propose L2G-S…

本文如何被排名

报道来源 [1]

L2G-SR：学习引导基于LLM的符号回归

相关实体

相关话题