본 논문은 진화와 학습이라는 두 가지 상보적인 적응 방식을 결합하여 유전 프로그래밍(GP)의 성능을 향상시키는 새로운 방법인 LaSER(Latent Semantic Evolutionary Regression)을 제안합니다. 기존 GP는 표현과 매핑을 동시에 찾아야 하는 어려움으로 일반화 성능이 제한적이었는데, LaSER은 GP 개체가 생성한 의미적 표현을 지도 학습으로 평가하여 적합도를 부여합니다. 이는 기존의 구문 트리나 진화 과정을 변경하지 않고 일반화 성능을 높이는 효과적인 방법입니다. 실험 결과, LaSER은 기존 GP를 능가하고 일부 경우 기계 학습 회귀 모델과 유사하거나 우수한 일반화 성능을 보이며, 동시에 기호적 해석성을 유지합니다.
