EDC：基于方程发现的分类

方程发现技术在回归任务中取得了显著的成功，被用于发现简洁且可解释的模型（即符号回归）。本文提出一种新的基于ED的二分类框架。我们提出的方法EDC寻找规模可控的解析函数，以指定决策边界的位置和形状。在针对人工数据和真实数据进行的大量实验中，我们展示了EDC能够发现目标方程的结构以及其参数的值，在二分类任务中超越了当前基于ED的分类方法的SOTA性能，并在二分类任务中达到与SOTA相当的性能。我们建议使用相对较低复杂度的语法，在所测试的数据集上表现良好，但认为确切的语法——以及因此模型的复杂度——是可配置的，尤其可以在需要时将特定于领域的表达式包含在模式语言中。所呈现的语法由一系列 summand（加法项）组成，其中包括线性项、二次项和指数项，以及两个特征的乘积（产生适合捕获类XOR依赖的双曲线）。实验表明，这一语法允许相当灵活的决策边界，同时不会过于复杂以致引发过拟合。