본 논문은 데이터 기반 수학적 표현 발견의 강건성과 해석성을 향상시키는 새로운 심층 기호 회귀 접근 방식을 제안합니다. 기존의 심층 기호 회귀(DSR) 방법들의 한계인 순환 신경망 기반의 데이터 적합성만을 고려한 학습, 정책 경사가 0이 되는 꼬리 장벽 문제를 해결하기 위해 주파수 영역에서 어텐션을 수행하는 디코더 전용 아키텍처와 이중 색인 위치 인코딩을 도입하여 계층적 생성을 수행합니다. 또한, 표현의 복잡성과 데이터 적합성 간의 절충을 자동으로 조정하는 BIC 기반 보상 함수와 꼬리 장벽을 제거하고 학습 효율성을 높이는 순위 기반 가중 정책 업데이트 방법을 제안합니다. 광범위한 벤치마크와 체계적인 실험을 통해 제안된 접근 방식의 장점을 보여줍니다.