arXiv cs.AI· Haobo Li, Wenshuo Zhang, Wenxiao Zhao, Eunseo Jung, Rui Sheng, Yushi Sun, Peiqin Zhuang, Hao Chen, Fenghua Ling·· 9 天前AI 评分23
RISR：用残差信息引导大语言模型发现科学方程
RISR: Residual-Informed Scientific Equation Discovery with Large Language Models
AI 导读
RISR 是一种残差信息驱动的符号回归方法，通过残差编码器将输入、目标、当前预测与残差压缩为连续 token 来条件化语言模型生成公式，并用双视角关系编码器预测候选修正的拟合后效用。
正文 · AI 翻译
摘要：符号回归将结构搜索与数值拟合相结合，但总体拟合分数无法描述剩余误差在不同输入上的变化方式。我们提出 RISR，一种残差知情方法，利用这些误差模式来指导公式发现，并学习哪些修正值得拟合。残差编码器将对齐的输入、目标、当前预测和残差压缩为连续 token，用以条件化语言模型以提出公式。在后续精化中，双视图关系编码器使用加性和正则化乘性残差来预测候选修正的拟合后效用。我们在 LLM-SRBench 的科学任务上评估 RISR。RISR 在 1% 和 0.1% 逐点相对误差容限下分别达到 63.57% 和 38.50% 的 ID 准确率。相应的 OOD 准确率为 56.07% 和 38.24%。RISR 在使用相同骨干网络的情况下优于所报告的基线。结果表明，我们的残差知情方法能够改进数值方程恢复。
| 学科： | 符号计算（cs.SC）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.11387 [cs.SC] |
| （或 arXiv:2610.11387v1 [cs.SC] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11387 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Haobo Li [查看电子邮件]
[v1]
2026年10月8日星期四 07:17:41 UTC（1,671 KB）
来源：arXiv cs.AI · arxiv.org