用于科学发现的符号回归的 Transformer 模型
原文中文，约300字，阅读约需1分钟。发表于：。这篇研究论文介绍了一种新的 Transformer 模型，用于符号回归（Symbolic Regression）特别关注其在科学发现领域的应用。我们提出了三种不断增加灵活性的编码器架构，但代价是列置换等变性的破坏。训练结果表明，最灵活的架构能够防止过拟合。经过训练后，我们应用最佳模型到符号回归科学发现数据集（SRSD 数据集），使用归一化的基于树的编辑距离获得了最新的结果，而且不需要额外的计算成本。
本研究介绍了一种新的Transformer模型，用于符号回归，特别关注科学发现领域。研究提出了三种增加灵活性的编码器架构，最灵活的架构能够防止过拟合。经过训练后，应用最佳模型到符号回归科学发现数据集，获得了最新的结果，且不需要额外的计算成本。
