LLM導引樹狀搜尋：自動化生成流行病預測模型
機率性流行病預測對公共衛生至關重要，但長期仰賴專家手工建模，限制了擴展與快速應變。研究提出一套自動化系統，採用大型語言模型（LLM）引導的樹狀搜尋，迭代生成、評估與最佳化可執行預測程式碼，並以自動化審查維持科學結構。
要點速覽
大型語言模型（LLM）引導的自動化系統，能在不仰賴人工逐一調整的情況下，生成可執行的流行病預測程式，並在即時評估中與人類策畫的集成模型相當或更佳。
方法
研究提出以LLM為核心的樹狀搜尋流程，透過迭代生成、評估與最佳化程式碼，自主探索多種方法論路徑。系統包含自動化裁判回饋，用以維持程式結構與流行病學理論的一致性。
關鍵機制
設計上以對數尺度的距離度量作為優化目標，以降低獎勵規避（reward hacking）風險；同時採用模型集成來彌補單一機器模型的偏差，提升離樣泛化能力。
結果與意義
在2025–2026美國呼吸道季的實時評估中，系統自動發現的多樣化模型組合形成的集成，離樣表現與CDC中心的人工策畫集成不分軒輊，並能應對資料稀缺的冷啟動情境。此框架有助於突破建模人力瓶頸，為跨地域與新興病原的快速部署提供可行路徑。
延伸閱讀
- OntoLogX：以本體、RAG 與 LLM 將系統日誌轉換為威脅知識圖譜
- AgentWard：為自主 AI 代理人設計的五層生命週期執行時安全架構
- ClawdGo：以 TLDT、ASAT 與 CSMA 實現內生式資安訓練於自主代理
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
