BioDyad双管齐下，76项任务横扫最强基线！
BioDyad: Synchronize Biomedical Discovery and Machine Learning Engineering
📖 AI 总结
本文提出 BioDyad，一个面向生物医学任务的智能体式机器学习框架，旨在解决证据获取与可执行程序搜索之间难以协同的问题。该方法在蒙特卡洛图搜索中引入两个层级结构：科学层级将先验生物医学知识与迭代发现相结合，并把生物医学方案与执行结果关联存入记忆以供跨候选复用；工程层级则让候选程序依次经过冒烟测试、训练/验证评估和全量数据重训练。研究在包含76项任务的 BioXArena 基准上，以每任务两小时预算和三种匹配的大模型后端进行评估，BioDyad 在所有后端下均取得最高的惩罚总分和任务成功率，优于四种智能体方法及一次性基线。这表明将生物医学发现与机器学习工程协同编排，有助于把外部知识整合进可执行程序，从而应对异构生物医学任务。
🔑 关键词速览
| BioDyad | 本文提出的智能体框架，通过蒙特卡洛图搜索中的科学层次与工程层次耦合生物医学发现和机器学习工程。 |
| Monte Carlo graph search | 蒙特卡洛图搜索，一种在巨大搜索空间中通过随机模拟和统计评估来引导程序搜索的算法框架。 |
| BioXArena | 一个包含 76 项异质生物医学任务的基准测试集，用于评估智能体式生物医学机器学习方法。 |
| Agentic biomedical ML | 智能体式生物医学机器学习，指利用自主智能体整合生物医学证据获取与可执行程序搜索的机器学习范式。 |
| Smoke execution | 冒烟执行，一种快速轻量的程序运行测试，用于在早期阶段验证候选程序的基本可执行性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅