EvoCast：用于迭代预测架构演进的可靠自主研究智能体

摘要

深度时间序列预测模型已经迅速多样化，但使其适应特定任务仍然需要在模型选择、机制诊断、架构设计、实施和评估方面进行大量的专家努力。现有的 AutoML 方法受到预定义搜索空间的限制，而通用LLM研究智能体缺乏对实验协议和模型推广的可靠控制。我们推出 EvoCast，这是一个完全自主的研究型智能体系统，用于迭代预测架构演化。 EvoCast 首先通过执行机制消融建立并诊断特定于任务的基线，然后根据数据集特征、诊断结果、先前轮次和失败记录生成有依据的研究方向。其核心设计是认知权威分离，将开放式假设生成和代码实现分配给LLM智能体，而确定性程序权威控制源代码编辑边界、规范评估和升级决策。实验结果被积累作为指导后续轮次的证据。结果表明，EvoCast 以更高的实施成功率和更低的智能体侧token/时间成本完成了复杂的架构修改，并开发了在三个实际预测案例中优于所选基线、强大的预测模型和智能体基线的特定于任务的架构。代码可在 https://github.com/18e0-x/EvoCast. 获取

EvoCast：用于迭代预测架构演进的可靠自主研究智能体的原论文方法或结果图 — 图 1. 自动预测模型开发领域的 EvoCast。与固定空间 AutoML/NAS 和开放式LLM研究智能体相比，EvoCast 将证据构建、有界认知智能体探索和程序权威验证结合在固定协议循环中，以实现可靠的架构演进。固定空间 AutoML 和神经架构搜索、开放式LLM研究智能体和 EvoCast 的三部分比较。 EvoCast 将任务证据、有界认知智能体探索、程序权威验证、规范评估和证据状态更新连接到一个闭环中。