arXiv cs.AI· Deyi Li, Qi Xu, Lingyao Li, Tiansheng Wang, Muxuan Liang, Mei Liu·· 3 天前AI 评分22
ATHENA：面向电子健康记录临床预测的智能体神经架构搜索，实现跨医院知识迁移与计算效率提升
Agentic neural architecture search for clinical prediction from electronic health records: Cross-hospital knowledge transfer and computational efficiency
AI 导读
研究者提出 ATHENA，一个知识引导的智能体神经架构搜索框架，用于基于 Transformer 的 EHR 临床预测建模。该框架每家医院仅预训练一次权重共享 supernet，候选架构通过微调而非独立预训练评估，并由双层跨医院先验结合 SHAP 元回归与多智能体 LLM 搜索。
正文 · AI 翻译
摘要：用于从电子健康记录（EHR）进行临床预测的 Transformer 架构通常需要昂贵的人工调参，并且可能因医院和任务而异。我们提出 ATHENA（Agentic Transfer across Hospitals for EHR Neural Architecture Search），一个面向基于 Transformer 的 EHR 建模的知识引导智能体神经架构搜索框架。权重共享超网在每个医院预训练一次，使候选架构能够继承权重并通过微调而非独立预训练进行评估。两层跨医院先验提供高性能源架构示例，以及由基于 SHapley Additive exPlanations（SHAP）的元回归总结的任务特定组件偏好。这些先验利用目标医院验证反馈，指导多智能体大语言模型搜索。在一个留出的 OneFlorida+ 站点和一个外部 MIMIC-IV 站点的六项临床预测任务中，在严格的等计算量比较下，ATHENA 在 12 项站点-任务评估中的 9 项显著优于全部四个基线。在使用通用预训练 AutoFormer 超网以隔离搜索策略性能的单独比较中，在最多 30 次候选评估的搜索预算下，ATHENA 在 12 项评估中的 9 项排名第一。它还在重复搜索中表现出更一致的架构选择。ATHENA 为基于 Transformer 的临床预测模型支持更高效的架构选择。
| 评论： | 37 页，10 幅图。修订了标题和表述；澄清了方法和评估设置；包含补充材料 |
| 主题： | 人工智能（cs.AI）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2608.21712 [cs.AI] |
| （或 arXiv:2608.21712v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.21712 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Deyi Li [查看电子邮件]
[v1]
2026 年 8 月 22 日星期六 01:26:40 UTC（5,444 KB）
[v2]
2026 年 8 月 25 日星期二 19:53:04 UTC（5,431 KB）
[v3]
2026 年 10 月 9 日星期五 23:32:19 UTC（5,819 KB）
来源：arXiv cs.AI · arxiv.org