用于符号回归的 Transformation-Interaction-Rational 表示

基于摘要分析。本文研究符号回归中函数表达能力与表达式可理解性之间的权衡，提出 Transformation-Interaction-Rational 表示，通过两个 Interaction-Transformation 函数的比值及可选的目标变量一元变换，扩展受限函数形式的近似能力。 原问题是：采用 Genetic Programming 搜索函数形式时，不受约束的非线性函数嵌套或过长表达式可能降低模型的可理解性。此前的 Interaction-Transformation 表示将函数限制为若干项的仿射组合，每一项由选定变量的交互经单个一元函数变换得到。摘要称，该表示在标准基准上取得了有竞争力的解，但更广泛的基准函数暴露了其表达限制。新表示以两个此类函数构成有理式，并允许对目标变量施加一元变换，旨在增强近似能力，同时继续约束整体表达式复杂度。 作者使用包含交叉与变异操作的标准 Genetic Programming 测试该表示。作者报告，相较前代表示取得较大改进，并在一个大型基准上达到其所称的先进水平；摘要未提供基准名称、数据划分、评价指标、具体分数或复杂度度量，因此尚不能量化改进幅度或比较精度与可解释性的收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能用于从预先提取的 EEG 特征中搜索受约束的非线性预测关系，但依赖适合符号回归的表格特征与目标监督，不等同于直接处理原始 EEG。可复用的是表达式表示与遗传搜索机制；需改造特征构造、复杂度控制及分母数值稳定性处理。低信噪比、小样本和跨被试特征分布差异可能导致表达式不稳定或过拟合。一个可检验的小实验是在同一 EEG 任务、相同特征和预先固定的跨被试划分下，对比新旧表示的预测指标、表达式复杂度及多次运行稳定性。已有 EEG 相关工作尚未检索确认。