PulseAugur
中
实时 10:49:45
English(EN) EpiEvolve: Self-Evolving Agents for Streaming Pandemic Forecasting under Regime Shifts

EpiEvolve 智能体通过自适应记忆改进疫情预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 EpiEvolve，这是一种旨在通过适应不断变化的疾病动态来改进疫情预测的新型智能体。与静态模型不同，EpiEvolve 使用固定的 LLM 主干，但通过分层情景记忆动态更新其预测策略。该记忆存储过去的结局并将重复出现的错误提炼成策略规则，使模型能够从延迟标签中学习并更快地适应新的疾病模式。在对 COVID-19 住院数据进行的测试中，EpiEvolve 的表现明显优于静态模型和外部集成模型，缩短了模式转变后的滞后时间。 AI

影响 为时间序列预测引入了一种新颖的自适应智能体架构，可能适用于数据模式发生变化的其他领域。

排序理由 这是一篇详细介绍特定任务新模型/智能体的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Yiming Lu, Sihang Zeng, Zhengxu Tang, Max Lau, Fei Liu, Wei Jin ·

    EpiEvolve：流式疫情预测中的自演化智能体应对模式转变

    arXiv:2606.05513v1 Announce Type: cross Abstract: Epidemic LLM forecasters are usually trained and evaluated as static supervised models, whereas operational pandemic forecasting is a streaming process in which labels arrive after predictions and disease regimes shift over time. …

相关实体

相关话题