기호 회귀(symbolic regression)는 데이터를 설명하는 수식을 찾는 작업이지만, 수치 오차만으로 탐색을 안내하면 구조는 틀렸어도 수치만 맞는 대리 수식을 선호하게 되는 문제가 있다. 연구팀은 학습된 구조 검증기로 탐색을 안내하는 LLM 기반 기호 회귀 프레임워크 L2G-SR을 제안했다. 트리 편집 거리(TED)를 이용해 교환 연산자와 다른 표현 형태까지 고려한 구조적 감독 신호를 만들고, 검증기가 후보와 목표 수식의 구조적 유사성을 점수화해 탐색 시 수치 오차를 보완한다. LLM-SRBench에서 L2G-SR은 평가된 모든 LLM 백본과 도메인에 걸쳐 수치 적합도, 수식 수준 정확도, TED 모두에서 최고 성능을 달성했다.
- •수치 오차만으로는 구조가 틀린 수식을 선호할 수 있는 기호 회귀의 한계를 구조 검증기로 보완
- •트리 편집 거리(TED) 기반 구조적 감독 신호로 후보 수식의 구조적 유사성 학습
- •탐색 시 목표 수식을 숨기고 검증기 피드백으로 분석·생성을 거쳐 표현을 개선
- •LLM-SRBench에서 모든 백본·도메인에 걸쳐 수치 적합도·정확도·TED 전 지표 최고 성능
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
L2G-SR: Learning to Guide LLM-based Symbolic Regression
- 1.LLM 기반 기호회귀에서 수치오차만으로는 구조가 맞는 후보를 놓칠 수 있다는 문제를 지적하고 L2G-SR 제안
- 2.트리 편집거리(TED)로 구조 유사도 지도신호 구성, 교환법칙 연산자와 대안 표현형까지 고려
- 3.검증기가 수치 관측값과 공식을 정렬한 뒤 후보의 구조적 유사도를 점수화해 부모 선택을 보완
- 4.LLM-SRBench 전반에서 수치 적합도·방정식 정확도·TED 모두 최고 성능 달성
왜 중요한가?
수치 오차에만 의존하던 기호회귀 탐색에 구조적 정답 여부를 판단하는 학습된 검증기를 더해, 올바른 수식 구조를 찾는 정확도를 높이는 실용적 개선을 보여준다.
언급 프로젝트
본문 미리보기
arXiv:2610.20685v1 Announce Type: new Abstract: Symbolic regression searches for an equation that explains observed data. Numerical error is commonly used to guide the search, but it alone can favor an accurate surrogate over a candidate with the right structure. We propose L2G-SR, a framework for LLM-based symbolic regression that guides search with a learned structural verifier. We construct structural supervision signal using tree edit distance (TED), accounting for commutative operators and
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:40AI 초안