论文用竞争方程间的分歧量化符号回归外推不确定性。
资讯摘要
论文指出，多数LLM引导的符号回归方法只给出单一最优方程，未量化不同函数形式之间的不确定性；不同方程可同样拟合观测数据，但外推结果差异显著。作者在LLM-SRBench上发现，标准保形区间在分布内覆盖达标，但在外推场景下经常失效。为此论文提出LLM-SR-UQ框架，保留多个竞争方程结构，用它们之间的分歧刻画结构不确定性，并扩展固定宽度保形方法以量化结构区间。作者报告该框架在保持分布内覆盖的同时显著提升覆盖达成率，并可推广到其他符号回归方法。
要点速读
- 论文指出，不同方程可同样拟合观测数据，但外推结果差异很大，而现有LLM引导符号回归多只输出单一最优方程。
- 在LLM-SRBench上，标准保形区间在分布内达到名义覆盖，但在外推下经常失效。
- LLM-SR-UQ保留竞争方程结构，用结构分歧量化不确定性并扩展保形方法；作者报告覆盖达成率提升且保持分布内覆盖。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。