EVIL：使用 LLM 改进可解释的事件序列和时间序列零样本推理算法

我们引入了 EVIL（\textbf{EV}olving \textbf{I}nterpretable Algorithm with \textbf{L}LMs），这是一种使用 LLM 引导的进化搜索来发现用于动力系统推理的简单、可解释算法的方法。 EVIL 不是在大型数据集上训练神经网络，而是发展纯 Python/NumPy 程序，在数据集上执行零样本、上下文推理。我们将 EVIL 应用于三个不同的任务：时间点过程中的下一事件预测、马尔可夫跳跃过程的速率矩阵估计以及时间序列插补。在每种情况下，单个进化算法都可以泛化到所有评估数据集，而无需针对每个数据集进行训练（类似于摊销推理模型）。据我们所知，这是第一个表明 LLM 引导的程序演化可以为这些动力系统问题发现单个紧凑推理函数的工作。在这三个领域中，所发现的算法通常可以与最先进的深度学习模型竞争，甚至优于最先进的深度学习模型，同时速度要快几个数量级，并且保持完全可解释。