論文の概要: Prospective multi-pathogen disease forecasting using autonomous LLM-guided tree search

• arxiv url: http://arxiv.org/abs/2605.16238v1
• Date: Fri, 15 May 2026 17:45:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.397747
• Title: Prospective multi-pathogen disease forecasting using autonomous LLM-guided tree search
• Title（参考訳）: 自律型LLM誘導木探索による多病原性予知
• Authors: Sarah Martinson, Michael P. Brenner, Martyna Plomecka, Brian P. Williams, Nicholas G. Reich, Zahra Shamsi,
• Abstract要約: 本稿では,実行可能な予測ソフトウェアを反復的に生成し,評価し,最適化する自律システムを提案する。 このシステムは、インフルエンザ、COVID-19、呼吸性シンチタールウイルス(RSV)の方法論的多様性を自律的に発見する。 CDC(Centers for Disease Control and Prevention, 疾病予防センター)のハブがアンサンブルをアンサンブルしている。
• 参考スコア（独自算出の注目度）: 2.1770088624284547
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Probabilistic forecasting of infectious diseases is crucial for public health but relies on labor-intensive manual model curation by expert modeling teams. This bespoke development bottlenecks scalability to granular geographic resolutions or emerging pathogens. Here, we present an autonomous system using Large Language Model (LLM)-guided tree search to iteratively generate, evaluate, and optimize executable forecasting software. In a fully prospective, real-time evaluation during the 2025-2026 US respiratory season, the system autonomously discovered methodologically diverse models for influenza, COVID-19, and respiratory syncytial virus (RSV). Aggregating these machine-generated models yielded an ensemble that consistently matched or outperformed the gold-standard, human-curated Centers for Disease Control and Prevention (CDC) hub ensembles out-of-sample. The system successfully navigated data-scarce "cold start" scenarios for RSV. Moreover, controlled retrospective ablations revealed that optimizing log-scale distance metrics prevents reward hacking, while an automated judge-in-the-loop ensures structural fidelity to complex scientific theories. By autonomously translating epidemiological theory into accurate, transparent code, this framework overcomes the modeling labor bottleneck, enabling rapid deployment of expert-level disease forecasting at unprecedented scales.
• Abstract（参考訳）: 感染症の確率的予測は公衆衛生上重要であるが、専門家モデリングチームによる労働集約型手作業モデルキュレーションに依存している。 この開発は、粒度の地理的解像度や新しい病原体へのスケーラビリティのボトルネックを引き起こす。 本稿では,Large Language Model (LLM) 誘導木探索を用いて,実行可能な予測ソフトウェアを反復的に生成し,評価し,最適化する自律システムを提案する。 2025-2026年の米国呼吸器シーズンの完全なリアルタイム評価において、このシステムは、インフルエンザ、COVID-19、呼吸性交感神経ウイルス(RSV)の方法論的に多様なモデルを自律的に発見した。 これらの機械が生成したモデルを集約すると、アンサンブルはゴールドスタンダードのヒト培養された疾病予防センター(CDC)ハブのアンサンブルと一貫して一致または性能を向上した。 システムはRSVの「コールドスタート」シナリオをうまくナビゲートした。 さらに,ログスケール距離の計測値の最適化は報奨ハッキングを防止し,ループ内の自動判定は複雑な科学的理論に対する構造的忠実性を保証する。 このフレームワークは、疫学理論を正確で透明なコードに自律的に翻訳することで、モデリング労働のボトルネックを克服し、前例のない規模で専門家レベルの病気予測を迅速に展開することを可能にする。

関連論文リスト

• A Climate-Aware Deep Learning Framework for Generalizable Epidemic Forecasting [0.0]
  ForecastNet-XCLは、RSVのリアルタイム監視にアクセスすることなく、気候や時間データに基づいて、100週間前の正確なRSV予測を生成する。 ForecastNet-XCLは、統計ベースライン、個々のニューラルネット、および従来のアンサンブル手法を、内部およびクロスステートのシナリオで確実に上回った。
  論文  参考訳（メタデータ） (2025-10-22T14:04:42Z)
• Multi-modal Adaptive Estimation for Temporal Respiratory Disease Outbreak [8.861941883057098]
  MAESTROは、スペクトル時間モデリングとマルチモーダルデータ融合を統合する、新しく統一されたフレームワークである。 香港の11年以上のデータから評価すると、MAESTRO は R-square 0.956 に適合する優れたモデルを実現している。 モジュラーで再現可能なパイプラインは、他の地域や病原体への展開と拡張を容易にするために公開されている。
  論文  参考訳（メタデータ） (2025-09-10T13:27:40Z)
• Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
  本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。 我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
  論文  参考訳（メタデータ） (2025-08-18T20:44:32Z)
• Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak [0.0]
  本稿では,先進的な深層学習技術と機械的疫学の原則を融合させるEGDL手法を提案する。 我々のフレームワークは、飽和入射率とグラフラプラシア拡散を付加したネットワーク化された感受性-感染-回復モデル(MN-SIR)に基づいて構築されている。 全国47都道府県と中国本土31県で実施したTB頻度データから,本手法が堅牢かつ正確な予測を行うことを示す。
  論文  参考訳（メタデータ） (2025-02-15T12:39:42Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Random Forest of Epidemiological Models for Influenza Forecasting [7.050453841068465]
  本稿では,ベースラインモデルSIkJalphaの個々の予測子を利用して,その性能を向上させるツリーアンサンブルモデルの設計を提案する。 我々は、ランダムフォレストに基づくアプローチが、平均絶対誤差、カバレッジ、重み付き間隔スコアの観点から、個々の予測者の予測を改善することを実証した。
  論文  参考訳（メタデータ） (2022-06-17T18:47:40Z)
• Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point Process View [44.67854875502783]
  1月21日以降、米国では100万人以上が新型コロナウイルスの感染者を確認している。 この伝染性呼吸器疾患は、米国の3000以上の郡と50の州に急速に広がった。 本疾患の複雑な時空干渉伝播を理解するためには,正確な予測や知的外的介入が可能であることが不可欠である。
  論文  参考訳（メタデータ） (2021-06-24T15:26:46Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。