기존 머신러닝이 '모델 파라미터 최적화'라는 단일 레시피에 갇혀 있는 한계를 극복하는 EvoForest — 계산 자체의 오픈엔디드 진화를 위한 하이브리드 neuro-symbolic 시스템. 재사용 가능한 계산 구조·호출 가능 함수 패밀리·학습 가능한 저차원 연속 컴포넌트를 공유 DAG에서 공동 진화. 중간 노드는 대체 구현을 저장하고, 호출 가능 노드는 projection·gate·activation 같은 재사용 변환 패밀리를 인코딩, 출력 노드는 후보 예측 계산을 정의, 영구 전역 파라미터는 gradient descent로 정제 가능. 각 그래프 구성을 Ridge 기반 readout으로 스코어링, 구조화된 피드백이 LLM 주도 mutation을 안내. 2025 ADIA Lab Structural Break Challenge에서 600 진화 단계 후 ROC-AUC 94.13%, 공개 1위 점수 90.14%를 같은 평가 프로토콜로 초과.

• •'모델 파라미터 최적화' 단일 패러다임을 넘어 계산 구조 자체를 진화시키는 neuro-symbolic 시스템.
• •재사용 가능 계산 구조·호출 가능 함수 패밀리·학습 가능 연속 컴포넌트를 공유 DAG에서 공동 진화.
• •LLM이 구조화된 피드백을 받아 mutation 방향을 가이드 — 진화 검색에 언어 모델 통합.
• •Ridge 기반 경량 readout으로 non-differentiable cross-validation 타깃에 대한 표현 스코어링.
• •2025 ADIA Lab Structural Break Challenge에서 94.13% ROC-AUC — 공개 1위 90.14% 초과.