본 논문은 기존 심볼릭 회귀(Symbolic Regression, SR) 알고리즘의 한계를 극복하기 위해 통합 심볼릭 네트워크(UniSymNet)를 제안한다. UniSymNet은 이진 비선형 연산자를 중첩 일변수 연산자로 통합하여 다변수 연산자로의 확장성을 높이고, 고정된 구조로 인한 과적합 문제를 해결한다. 또한, 트랜스포머 모델을 사전 학습하여 네트워크 구조 선택을 안내하고, 목적에 특화된 최적화 전략을 채택하여 심볼릭 네트워크의 파라미터를 학습한다. UniSymNet은 저차원 표준 벤치마크와 고차원 SRBench에서 높은 정확도, 우수한 심볼릭 해 탐색률, 그리고 상대적으로 낮은 표현 복잡도를 달성하며 경쟁력 있는 성능을 보여준다.
