PulseAugur
中
实时 08:02:21

LLM-guided framework discovers ODEs from aggregate data

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了AgentODE，一个新颖的框架，旨在从聚合数据中发现常微分方程（ODE）结构并推断参数分布，特别适用于个体数据稀少且受隐私限制的罕见病。该系统利用大型语言模型（LLM）提出ODE结构，并利用一个推理代理仅使用群体级汇总统计数据来优化参数分布。AgentODE已证明其在各种基准问题和临床数据集（包括一项罕见病研究）中恢复功能一致的ODE结构的能力，为数据受限场景下的机制建模开辟了新途径。 AI

影响 能够从有限的、保护隐私的数据中对罕见病进行机制建模。

排序理由 该集群包含一篇详细介绍科学建模新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

LLM-guided framework discovers ODEs from aggregate data

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Hanning Yang, Meropi Karakioulaki, Lennart Purucker, Tim Litwin, Cristina Has, Moritz Hess ·

    LLM-Guided ODE Discovery and Parameter Inference from Small-Cohort Aggregate Data

    arXiv:2607.00733v1 Announce Type: cross Abstract: Mechanistic modeling via ordinary differential equations (ODEs) provides interpretable descriptions of complex dynamics and enables inference of underlying mechanisms, which is particularly valuable in clinical settings. However, …

  2. arXiv cs.AI TIER_1 English(EN) · Moritz Hess ·

    LLM 引导的 ODE 发现与小队列聚合数据参数推断

    Mechanistic modeling via ordinary differential equations (ODEs) provides interpretable descriptions of complex dynamics and enables inference of underlying mechanisms, which is particularly valuable in clinical settings. However, in rare diseases, both the structure and parameter…

相关实体

相关话题