Symbolic Regression in DL 精度记录（TNNLS）

0.题目：

Integration of Neural Network-Based Symbolic Regression in Deep Learning

将神经网络和符号回归结合，

for Scientific Discovery

应用于科学发现中

题目点名了应用以及研究方向

1. 摘要

（1）符号回归很厉害，它有优点A。

        ⭐研究背景1

（2）神经网络也很厉害，它准确，但是黑盒。

        ⭐研究背景2，顺便提出领域空白

（3）本文中提出了EQL并集成到DL中。

        ⭐个人认为这算转折点出自己的成果了

（4）实验证明了，系统很强大。

        ⭐这个摘要应该点明了实验是分任务进行的。

（5）首先，函数测试。其次，卷积网络。最后，现实复杂任务。

        ⭐或许这样的实验设置更加的全面且有条理？层次性。

（6）总结，与标准相比，EQL很厉害。

        ⭐稍微吹一下

2.引言（我猜是根据摘要1-4写的）

（1）复杂现象可以用数学模型描述，（有啥用嘞？）可以提供预测和分析。

        机器学习很强，但神经网络黑盒。（那咋用于探索上句的科学任务嘞？）

        因此，需要有可解释模型。

        ⭐发现一个很好用的句式，need A that can，可以很自然的引出特点。

（2）符号回归是回归分析，它xx，因此更厉害。它具有优于神经网络的地方。

         然而，（开始转折哩！）不能扩展于某些情况。

        ⭐引出符号学习捏，显然是要开始讲融合的事情了。

（3）已经有一些相关方法。设计方面也有一些进展。

        ⭐相关工作

（4）在此，我们提出了一种架构。又能深度，又能可解释性，还能端到端。

        ⭐自然而然的引出网络的优点：提出了A，A的结构特点，因此A的优点是。

创新性的任务，创造一个新架构。大概思路是要结合a和b的优点。