paper_type: Benchmark 与数据集 type_confidence: 高 reading_depth: 标准精读

论文元数据

• 标题：Call for Action: towards the next generation of symbolic regression benchmark
• 作者：Guilherme S. Imai Aldeia、Hengzhe Zhang、Geoffrey Bomarito、Miles Cranmer、Alcides Fonseca、Bogdan Burlacu、William G. La Cava、Fabrício Olivetti de França
• 年份：2025
• 来源：arXiv
• PDF 文件：5a9ff68991d29dc8e7fd9f97.pdf

核心结论

• 一句话答案：本文将近乎翻倍的方法纳入 SRBench 更新版，以双轨数据集、性能曲线与帕累托前沿分析表明没有任何单一算法在所有数据集上占优，并呼吁社区标准化超参数调整、运行约束与资源分配、建立弃用标准，使 SRBench 成为持续演进的活基准（作者主张，§Abstract、§1、§6）。

• 最强证据：黑盒轨各数据集的最佳 AUC 归属随问题变化，直接对应"无单一算法全面占优"；现象学与第一性原理轨中，部分真实方程因噪声无法完美恢复，更高 R² 的复杂模型往往拟合噪声，挑战单以 R² 评优的做法（论文报告，§Abstract、§5.2、§5.4，图 3、表 3）。

• 可信度：统一集群、固定时间预算、每数据集重复 30 次，脚本与数据可用性公开，已发生结果可信；但能耗为运行后估算而非电表实测，论文未报告方差与显著性检验，方法间小幅差异只能视为探索性观察（论文报告，§3.3–§3.5；阅读者分析）。

• 关键边界：证据限于所选数据集与作者设定的超参搜索配置；部分算法提前终止（如 NeSymRes），能耗仅在超参调整后估算，故时间与能源比较只反映该预算下行为，不构成一般排序（论文报告，§5.5；阅读者分析）。

问题与论证主线

符号回归把函数表达式纳入搜索空间，被视为实现"自动化开普勒"的途径，但算法、数据集与评价标准的多样性使领域缺乏公认的 SOTA；既有 SRBench 虽统一了接口，却存在数据集代表性偏差与聚合指标掩盖差异的问题。这些批评为更新基准提供动机，但它们本身不构成对既有工作价值的否定（论文报告，§1、§2；阅读者分析）。

本文的论证主线是先用更大规模的统一实验描述现状，再以结果支撑"社区需要共同治理基准"的行动呼吁（论文报告，§1、§6）。

基准设计：双轨数据集与统一实验协议

黑盒轨包含 12 个取自 PMLB 的回归数据集，现象学与第一性原理轨则纳入来自公开来源、含噪声的科学问题。双轨设计支持"同时评估通用拟合与科学发现能力"的目标，但不支持把任一轨道的表现推广到所有 SR 应用场景（论文报告，§3.1）。

所有方法均纳入统一实验框架并执行超参调整，每个数据集重复 30 次，时间预算固定。统一协议支持"方法间差异主要来自算法本身"的比较逻辑，同时意味着结论只对作者设定的预算与调参空间成立，未必反映各方法的最优配置（论文报告，§3.2–§3.4；阅读者分析）。

实证结果：无免费午餐与精度—复杂度—能耗权衡

能耗剖面显示各算法差异明显，作者据此提出探索提前终止与节能实现；但该证据为估算值，支持"存在能耗差异"却不足以支撑严格的节能排序（论文报告，§5.1）。性能曲线显示不同方法取得高 R² 的经验概率差异明显，多数高表现方法包含常数优化；同时没有任何单一算法在所有数据集上占优。这支持"方法存在水平差距"与"没有全能算法"两个结论，却不支持把组内排名视为跨数据集稳定结论（论文报告，§5.2，图 2、图 3）。

现象学轨中，Hubble 与 Tully-Fisher 等方程因噪声达不到完美 R²，更高 R² 的复杂模型往往拟合噪声而非真实关系（论文报告，§5.4）。这支持对单一 R² 指标的警惕，但不否定 R² 作为通用拟合指标的价值（阅读者分析）。

行动呼吁：标准化、弃用与可持续治理

作者呼吁默认配置自动纳入超参流程、规范时间与资源限制，并提议将"不再维护且未出现在黑盒帕累托前沿"的算法弃用，同时补充数据集与方法元数据。这些建议支持"基准需要治理机制"的判断，也有利于形成更稳健的算法；但作为提议未经验证，效果取决于社区参与（作者主张，§5.3、§5.5）。

作者还披露为多数算法修复 bug、部分仓库缺乏维护，说明开源可持续性本身就是基准可信度的现实约束；NeSymRes 过早终止的例子则说明时间管理仍造成不公平比较（论文报告，§5.5）。

证据边界

证据在特定条件下成立：数据集与超参空间由作者选定，轨道间问题规模差异大，能耗为估算且只覆盖超参调整后阶段，故任何排序都应限定为"在本文协议下"而非一般结论（论文报告，§3.4、§5.5；阅读者分析）。

论文未提供系统性的方差或显著性检验，AUC 与能耗的组间差异属探索性发现；性能曲线以多次运行出现好结果的经验概率刻画方法，反映的是潜力而非平均表现（阅读者分析）。

关键原文定位

• §3.1：双轨数据集选择与来源。
• §3.2–§3.4：方法统一接入、调参、30 次重复、时间预算与能耗估算。
• §4：性能曲线、AUC 与图 1–3。
• §5.1：能耗与执行时间分析。
• §5.2：黑盒轨性能分组与无免费午餐观察。
• §5.3–§5.5：参数标准化、现象学轨分析、弃用标准与公平比较。
• §6：行动呼吁与未来方向。

综合判断

本文最有价值的不是具体排名，而是把基准治理变成可操作议程：大规模证据表明只看 R² 会掩盖场景差异，能耗与时长分析说明工程因素不可忽略（论文报告，§4–§5；阅读者分析）。

因此读者应把结论理解为对现状的系统描述而非最终裁决；实践者可结合自有数据与预算，按帕累托前沿选择方法。后续需补充统计检验、直接能耗计量与精细时间管理，才能把探索性观察升级为稳定结论（阅读者分析；作者主张，§5.5、§6）。