arXiv cs.AI· Letian Huang, Xiangyu Wang, Haowei Lin, Di He·· 2 天前AI 评分22
L2G-SR：学习引导 LLM 符号回归
L2G-SR: Learning to Guide LLM-based Symbolic Regression
AI 导读
L2G-SR 是一个用学习到的结构验证器引导 LLM 符号回归搜索的框架，通过树编辑距离（TED）构建结构监督信号，在搜索时用验证器补充数值误差进行父代选择。在 LLM-SRBench 上，该框架在评测的多个 LLM 骨干和领域上取得数值拟合、方程级准确率和 TED 的 SOTA。
正文 · AI 翻译
摘要：符号回归旨在搜索能够解释观测数据的方程。数值误差通常被用来指导搜索，但仅凭数值误差可能会偏向于一个精确的替代模型，而非具有正确结构的候选方程。我们提出了 L2G-SR，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指导搜索。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度进行评分。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，分析人员利用验证器反馈和诊断工具提出修改建议，生成器将其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最先进的数值拟合、方程级准确率和 TED。L2G-SR 展示了学习到的结构指导对基于 LLM 的符号回归的价值。
| 评论： | 40 页，包括参考文献和附录 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.20685 [cs.AI] |
| （或 arXiv:2610.20685v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20685 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Letian Huang [查看电子邮件]
[v1]
2026年10月14日星期三 16:39:39 UTC（867 KB）
来源：arXiv cs.AI · arxiv.org