연구진은 심볼릭 회귀(SR)의 한계를 극복하기 위해 Latent Equation Embedding (LEE) 프레임워크를 제안했어요. LEE는 관측 데이터와 심볼릭 토큰을 함께 임베딩하여 함수적 행동에 기반한 잠재 공간에서 반복적인 추론을 수행해요.
LEE는 잠재 공간을 구성하는 인코더, 표현 디코더, 평가 디코더 세 가지 요소로 이루어져 있으며, 인코더는 후보 표현과 데이터를 재인코딩하여 반복적으로 잠재적 추정치를 개선해요.
SRBench 벤치마크에서 기존 방법 대비 2~10배 더 단순한 표현을 생성하며, 정확도와 복잡도 간의 균형을 개선했어요.
LEE는 노이즈 증가에 강건한 성능을 보이며, 심볼릭 회귀 분야의 새로운 가능성을 제시합니다.