RSRM：强化符号回归机

自然界中，许多复杂系统的行为可由简约数学方程描述。从有限数据中自动提炼这些方程被视作符号回归过程，至今仍是一大挑战。近年来的积极努力致力于解决该问题并在符号回归中展现成效。然而，当离散搜索空间趋于无穷、尤其当下层数学公式错综复杂时，现有方法仍面临难以突破的瓶颈。为此，我们提出一种新颖的强化符号回归机（RSRM），其具备仅从稀缺数据中揭示复杂数学方程的能力。RSRM模型由三个关键模块组成：（1）蒙特卡洛树搜索（MCTS）智能体，探索由预定义数学算子与变量构成的最优数学表达式树；（2）双重Q学习块，通过恰当理解奖励分布来帮助缩减MCTS的可行搜索空间；（3）调制子树发现块，启发式地学习并定义新数学算子以提升数学表达式树的表示能力。这些模块的结合使RSRM在符号回归中取得最先进性能，多组基准示例证实了这一点。RSRM模型相较若干代表性基线模型展现出明显优势。