Η Συμβολική Παλινδρόμηση (SR), η ανακάλυψη μαθηματικών εκφράσεων για την βέλτιστη περιγραφή δεδομένων, παραμένει θεμελιώδης πρόκληση στην επιστημονική έρευνα. Παραδοσιακές προσεγγίσεις, κυρίως βασισμένες σε γενετικούς αλγορίθμους, έχουν αποδειχθεί χρήσιμες, αλλά αντιμετωπίζουν περιορισμούς επεκτασιμότητας και εκφραστικότητας.
Πρόσφατα, εξελικτικές μέθοδοι αναζήτησης βασισμένες σε μεγάλα γλωσσικά μοντέλα (LLM) εισήχθησαν στη SR, παρουσιάζοντας ενθαρρυντικά αποτελέσματα. Ωστόσο, οι υπάρχουσες προσεγγίσεις LLM βασίζονται συνήθως σε βαθμολογικές μετρικές, όπως το μέσο τετραγωνικό σφάλμα, ως τη μοναδική πηγή ανατροφοδότησης κατά την αναζήτηση δεδομένων.
Για την αντιμετώπιση αυτού, προτείνεται ένα καινοτόμο εξελικτικό πλαίσιο αναζήτησης LLM, ενσωματώνοντας προγραμματική επαύξηση του πλαισίου. Μέσω αλληλεπιδράσεων με το σύνολο δεδομένων, η μέθοδος αυτή διενεργεί ενεργά ανάλυση και εξάγει πληροφοριακά σήματα, πέραν των συγκεντρωτικών βαθμολογιών.
Το πλαίσιο αξιολογήθηκε σε προηγμένα σημεία αναφοράς, όπως το LLM-SRBench, επιδεικνύοντας ανώτερη αποδοτικότητα και ακρίβεια έναντι ισχυρών βασικών μεθόδων.
