AutoHealth：用于自主健康数据建模的不确定性感知多智能体系统

基于 LLM 的智能体在自主机器学习方面展现出强大潜力，但其在健康数据上的适用性仍然有限。现有系统往往难以在异构健康数据模态间泛化，严重依赖预定义的解决方案模板、对任务特定目标适配不足，且在很大程度上忽视不确定性估计，而这对医疗保健中可靠的决策至关重要。为应对这些挑战，我们提出 AutoHealth，一个新颖的不确定性感知多智能体系统，可自主建模健康数据并评估模型可靠性。AutoHealth 在五个专业化智能体之间采用闭环协调，执行数据探索、任务条件化的模型构建、训练与优化，同时兼顾预测性能与不确定性量化。除产出可直接使用的模型外，该系统还生成综合报告，以支持可信解释与风险感知决策。为严格评估其有效性，我们构建了一个涵盖多样数据模态与学习设置、共17个任务的真实世界基准。AutoHealth 完成全部任务，预测性能超越最先进基线29.2%，不确定性估计超越50.2%。