arXiv cs.AI· Sarah Martinson, Michael P. Brenner, Martyna Plomecka, Brian P. Williams, Nicholas G. Reich, Zahra Shamsi·· 2 天前AI 评分66
ERA：用 LLM 引导树搜索自动生成多病原体疾病预测模型
Prospective multi-pathogen disease forecasting using autonomous LLM-guided tree search
AI 导读
研究团队前瞻性评估了自主系统 ERA，它用大语言模型引导的树搜索迭代生成、评估并优化可执行的预测软件。在 2025-26 美国呼吸道季的实时评测中，ERA 为流感、COVID-19 和 RSV 生成了方法多样的模型，其集成模型在 CDC 季后官方评估中排名第一，并在三种病原体上均超过 CDC 的黄金标准预测集成。
正文 · AI 翻译
摘要：传染病的概率预测对公共卫生监测和防范至关重要，但历来依赖专家建模团队进行劳动密集型的人工模型管理。定制化开发阻碍了将模型扩展到精细地理分辨率或新发病原体。在此，我们前瞻性地评估了 Empirical Research Assistance（ERA），这是一个自主系统，使用大语言模型引导的树搜索来迭代生成、评估和优化可执行的预测软件。ERA 主要被提示实现方法学方法，而在某些情况下，其任务是从头开发预测方法。在 2025-26 年美国呼吸道季节期间进行的完全前瞻性、实时评估中，ERA 为流感、COVID-19 和呼吸道合胞病毒（RSV）生成了方法学上多样化的模型。将这些自动生成的模型中的一部分进行聚合，产生了一个集成模型，该模型在官方美国疾病控制与预防中心（CDC）季后评估中总体排名第一，并在实时预测挑战中在所有三种病原体上均优于金标准 CDC 预测集成模型。此外，ERA 成功应对了 RSV 的数据稀缺场景。受控的回顾性消融实验允许进一步探索优化目标和指令遵循对预测准确性的影响。初步实验表明，ERA 的搜索优化指标会影响输出预测的行为，并且在搜索中使用更高层级的语言模型可提高预测性能。通过自主生成可解释的代码来产生具有流行病学相关性的预测，该框架为快速扩展高质量疾病预测提供了一条路径。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2605.16238 [cs.AI] |
| （或 arXiv:2605.16238v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2605.16238 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Sarah Martinson [查看电子邮件]
[v1]
2026年5月15日星期五 17:45:17 UTC（8,528 KB）
[v2]
2026年10月14日星期三 18:56:28 UTC（9,878 KB）
来源：arXiv cs.AI · arxiv.org