A Comparison of Recent Algorithms for Symbolic Regression to Genetic Programming

符号回归是一种机器学习方法，其目标是产生可解释的结果。与其他机器学习方法（例如随机森林或神经网络）不同，这些方法是不透明的，符号回归旨在以科学家能够理解的方式对数据进行建模和映射。最近的进展试图弥合这两个领域之间的差距；新的方法学试图将神经网络和深度学习技术的映射能力与符号回归的解释能力融合起来。在本文中，我们检查了这些新兴系统，并测试了端到端转换器模型在符号回归上的性能，与多年来一直领导符号回归的基于遗传编程的传统方法进行比较。我们比较了这些系统在新颖的数据集上，以避免对改进过的基准数据集的老方法的偏见。我们的结果表明，传统的遗传编程方法（例如Operon实现的方法）仍然优于两种最近发表的符号回归方法。

比较基于遗传编程的传统符号回归方法和基于端到端转换器模型的新兴符号回归方法的性能，探究两者之间的差异。

论文采用基于端到端转换器模型的新兴符号回归方法，试图将神经网络和深度学习技术的映射能力与符号回归的解释能力结合起来，提高符号回归的性能。

论文使用新数据集进行实验，避免对传统方法的偏见。结果表明，传统的基于遗传编程的符号回归方法仍然优于新兴的符号回归方法。

最近的相关研究包括：Operon实现的传统遗传编程符号回归方法，以及结合神经网络和符号回归的新兴符号回归方法。