Prospective multi-pathogen disease forecasting using autonomous LLM-guided tree search
한국어 초록
전염병의 확률적 예측은 공중보건에 매우 중요하지만, 전문가 모델링 팀의 노동 집약적인 수동 모델 큐레이션에 의존합니다. 이러한 맞춤형 개발은 더 세분화된 지리적 해상도나 새롭게 등장하는 병원체로의 확장성에 병목을 형성합니다. 여기서 우리는 대규모 언어 모델(LLM) 기반 트리 서치를 사용해 실행 가능한 예측 소프트웨어를 반복적으로 생성, 평가, 최적화하는 자율 시스템을 제시합니다. 2025-2026년 미국 호흡기 시즌 동안 수행한 완전한 전향적 실시간 평가에서, 이 시스템은 인플루엔자, COVID-19, 호흡기세포융합바이러스(RSV)에 대해 방법론적으로 다양한 모델을 자율적으로 발견했습니다. 이렇게 기계가 생성한 모델들을 집계해 얻은 앙상블은 표준으로 여겨지는 인간 큐레이션 질병통제예방센터(CDC) 허브 앙상블과 비교해, 표본 밖(out-of-sample)에서 일관되게 동등하거나 더 우수한 성능을 보였습니다. 이 시스템은 RSV의 데이터 부족 "콜드 스타트" 상황도 성공적으로 처리했습니다. 또한 통제된 후향적 절제 실험은 로그 스케일 거리 지표를 최적화하면 보상 해킹을 방지할 수 있으며, 자동화된 judge-in-the-loop가 복잡한 과학 이론에 대한 구조적 충실성을 보장함을 보여주었습니다. 역학 이론을 정확하고 투명한 코드로 자율적으로 변환함으로써, 이 프레임워크는 모델링 노동의 병목을 해소하고, 전례 없는 규모에서 전문가 수준의 질병 예측을 신속하게 배포할 수 있게 합니다.
요약
감염병의 확률적 예측은 공중보건에 매우 중요하지만, 전문가 모델링 팀이 수작업으로 모델을 선별하고 관리하는 데 많은 시간이 듭니다. 연구진은 대규모 언어 모델(LLM) 기반 트리 탐색(tree search)을 이용해 실행 가능한 예측 소프트웨어를 반복적으로 생성, 평가, 최적화하는 자율 시스템을 제안했습니다. 2025-2026년 미국 호흡기 시즌에 대한 전향적 실시간 평가에서, 이 시스템은 인플루엔자, COVID-19, 호흡기세포융합바이러스(RSV)에 대해 방법론적으로 다양한 모델을 스스로 발견했습니다. 이렇게 생성된 모델들을 앙상블로 결합한 결과, 외부 검증(out-of-sample)에서 인간 전문가가 구성한 질병통제예방센터(CDC) 허브 앙상블과 동등하거나 더 나은 성능을 보였습니다. 특히 데이터가 부족한 RSV의 콜드 스타트(cold start) 상황도 성공적으로 처리했습니다. 또한 후향적 ablation 실험에서는 로그 스케일 거리 지표를 최적화해야 reward hacking을 막을 수 있음을 보였고, 자동 심판-인-더-루프(judge-in-the-loop)가 복잡한 과학 이론의 구조적 충실성을 유지하는 데 유효하다는 점을 확인했습니다. 전반적으로 이 프레임워크는 역학 이론을 정확하고 투명한 코드로 자동 변환해, 모델링 노동 병목을 줄이고 전문가 수준의 질병 예측을 훨씬 빠르게 대규모로 배포할 수 있게 합니다.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
공통 태그로 연결된 공개 논문이 아직 없습니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.