arXiv · cs.AI· Letian Huang, Xiangyu Wang, Haowei Lin, Di He·· 7 小时前
L2G-SR：利用学习式结构引导改进大语言模型符号回归
L2G-SR: Learning to Guide LLM-based Symbolic Regression
arXiv:2610.20685v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Letian Huang, Xiangyu Wang, Haowei Lin, Di He
研究任务与主要进展
L2G-SR提出一种面向大语言模型符号回归的框架，通过学习式结构验证器引导表达式搜索，减少仅依赖数值误差时偏向数值拟合但结构不准确的候选。方法利用树编辑距离构造结构监督，处理交换运算符和替代表达式，并在目标公式隐藏时将验证器反馈用于候选选择和表达式修订。基于论文摘要，该方法在LLM-SRBench上、针对所评估的多个大语言模型骨干和领域，在数值拟合、方程级准确率和TED方面取得最佳结果。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org