借助 LLM 指导的可解释关系推理：联合优化符号动力学与网络边缘
机器学习
2026-04-15 v1
摘要
从观察到的动力学中推断潜在相互作用结构是许多体系中基本的逆问题。大多数神经方法依赖于基于可训练图的黑箱替代模型，在牺牲机制可解释性方面取得了准确性。符号回归提供显式的动力学方程和更强的归纳偏置，但通常假设已知的拓扑结构和固定的函数库。我们提出了 COSINE（Co-Optimization of Symbolic Interactions and Network Edges，联合优化符号相互作用与网络边缘），一个可微分框架，联合发现相互作用图和稀疏符号动力学。为克服固定符号库的局限性，COSINE 进一步融入了外部循环大型语言模型（LLM），通过来自内部优化循环的反馈，自适应地修剪和扩展假设空间。在合成系统和大规模现实世界流行病数据上的实验表明，方法能够稳健地恢复结构，并产生紧凑且与机制相吻合的动力学表达式。代码：https://anonymous.4open.science/r/COSINE-6D43
引用
@article{arxiv.2604.12806,
title = {Interpretable Relational Inference with LLM-Guided Symbolic Dynamics Modeling},
author = {Xiaoxiao Liang and Juyuan Zhang and Liming Pan and Linyuan Lü},
journal= {arXiv preprint arXiv:2604.12806},
year = {2026}
}
备注
Submitted to conference