シンボリック回帰（SR）は、データに適合する解釈可能な数学的表現を発見する手法として注目されていますが、主に2つの課題に直面しています。第一に、既存の手法は科学的データセットで評価され、そのため一般化性が制限されます。第二に、SRは主に単一出力回帰に焦点を当てており、多くの現実の問題では相互依存する多出力を扱う必要があります。この問題に対処するために、著者たちはマルチターゲットシンボリック回帰のための解釈可能なニューラルネットワークであるマルチタスク回帰GINN-LP（MTRGINN-LP）を提案します。モデルは共有のバックボーンとタスク特化の出力層を統合し、ターゲット間の依存関係を捉えると同時に解釈可能性を維持します。エネルギー効率予測や持続可能な農業を含む実用的な多ターゲットアプリケーションでの検証結果は、高い解釈可能性と競争力のある予測性能を示し、シンボリック回帰をより広い現実世界の多出力タスクに拡張することに成功しました。