论文
A-SR：通过层次协调进行符号回归的自我进化代理 LLM
A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination
摘要
符号回归旨在从数据中发现封闭式方程，但现有的 LLM 引导方法通常依赖于统一的提议循环，将异构搜索失败压缩为标量分数和单个提示。我们提出了 A-SR，一种自我进化的代理框架，它将控制单元从表达编辑转变为角色条件证据视图。 A-SR 通过协调协议之间的路由、在线评估者奖励角色策略和状态路由过程内存来协调公式发现。在搜索过程中，评估者反馈表征可靠性和生产力，更新角色级实用程序，并将精英主题、故障跟踪和有效性诊断路由到不同的代理。该框架在两个时间尺度上自我进化：在一次运行中，它适应搜索过程而不更新 LLM 参数；在运行过程中，记录的轨迹可以被提炼成开源 LLM 作为角色条件提案先验。对 LLM-SRBench 中的四个 LSR-Synth 科学领域进行平均，A-SR 将 Llama3.1-8B 的 Acc@0.01 相对于基线的结果从 25.79% 提高到 48.30%，而 A-SR-LoRA 将相应的 Qwen3-4B 结果从 24.58% 提高到 38.29%。在四项现实世界的科学发现任务中，A-SR 在 8 个报告指标中的 7 个上获得了最佳分布内或分布外归一化均方误差。