LongAgent 利用历史引导搜索预测纵向结果
论文AI 评分 60/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
LongAgent 是一种基于智能体的方法，旨在解决医学纵向数据预测挑战。它能自主搜索变量组合、时间窗口及聚合函数，利用历史记忆和数值证据引导探索。在合成数据上，该模型预测 RMSE 为 1.7376，较最强非智能体基线提升 0.0151；在真实临床数据集上表现与最佳基线相当。该论文已被 MICCAI 2026 Agentic AI for Medicine Workshop 接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载解决医疗数据异构难题
医学数据集通常具有高度异构性，包含来自不同来源的大量变量，采样时间间隔各异，且代表人类健康状况的不同方面。从这类纵向数据中提取具有信息量的表征以预测未来结果，是医学领域面临的关键挑战。这要求研究者识别具有预测价值的变量，处理纵向信息，并整合多个变量进行结果预测。
智能体自主搜索机制
LongAgent 提出了一种新颖的基于智能体的方法。该方法能够自主搜索变量集、时间窗口和纵向聚合函数的组合，并识别出具有良好预测性能的候选方案。为了优化搜索过程，LongAgent 利用先前搜索的历史记忆以及数值证据来指导后续的探索，从而在复杂的解空间中高效定位最优配置。
实验性能与基线对比
在合成数据集的测试中，LongAgent 实现了 1.7376 的平均预测 RMSE。与最强的非智能体基线相比，其性能提升了 0.0151，且该结果具有统计学显著性（95% 置信区间为 [0.0045, 0.0260]，p=0.0273）。在真实临床数据集上的评估显示，LongAgent 的表现与最佳基线模型相当，验证了其在实际应用场景中的有效性。
为什么值得看
引入智能体搜索机制处理异构医疗数据，提升纵向预测效率。
智能体论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。