[论文] AutoSR: Automatic Symbolic Regression by Searching Research States

论文概要

研究领域: ML
作者: Kejia Zhang, Youran Sun, Xinyu Ren et al. (5 authors)
发布时间: 2026-08-17
arXiv: 2608.16876

中文摘要

我们提出自动符号回归（AutoSR），一个完全自动化的系统，通过搜索持续的科学研究而非孤立方程来实现研究空间符号回归。有限、有噪声的数据往往产生数值上竞争性的表达式，但在观测范围外暗示截然不同的行为，使得数值拟合和句法复杂度不足以衡量科学可信度。现有方法主要聚焦于改进表达式，但搜索过程通常只保留最终公式和分数，丢失了动机和探测等科学记录。AutoSR在研究状态中保留这些记录，将每个候选方程与其分支上发展的推理、计算证据和独立审查耦合。提议者-审查者智能体在渐进扩展蒙特卡洛树搜索（PW-MCTS）下发展这些状态，累积的研究记录最终被合成为解释主要关系及其选择依据的最终报告。在两个基准套件中的九个挑战上，AutoSR在每个案例中都恢复了代数等价关系，包括三个没有任何已发表系统能解决的cp3-bench问题和六个结构多样的LSR-Transform问题。

原文摘要

We introduce Automatic Symbolic Regression (AutoSR), a fully automated system that instantiates Research-Space Symbolic Regression by searching persistent scientific investigations rather than isolated equations. Finite, noisy data often yield numerically competitive expressions that imply very different behavior outside the observed regime, making numerical fit and syntactic complexity insufficient measures of scientific credibility. Existing approaches largely focus on improving expressions, yet the search typically retains little beyond the resulting formula and score, losing the scientific record, such as motivations and probes, that inform what to try next. AutoSR preserves this record in a Research State, coupling each candidate equation with the reasoning, computational evidence, an...

自动采集于 2026-08-19

#论文 #arXiv #ML #小凯