論文の概要: Unlocking the Potential of Past Research: Using Generative AI to Reconstruct Healthcare Simulation Models

• arxiv url: http://arxiv.org/abs/2503.21646v1
• Date: Thu, 27 Mar 2025 16:10:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:51:31.179854
• Title: Unlocking the Potential of Past Research: Using Generative AI to Reconstruct Healthcare Simulation Models
• Title（参考訳）: 医療シミュレーションモデル構築にジェネレーティブAIを用いた過去の研究の可能性
• Authors: Thomas Monks, Alison Harper, Amy Heather,
• Abstract要約: 本研究では、生成人工知能(AI)を用いたフリー・アンド・オープン・ソース・ソフトウェア(FOSS)を用いた出版モデルを再現する可能性について検討する。 ユーザインタフェースを含む2つのDESモデルの生成,テスト,内部再現に成功した。 報告された結果は1つのモデルで複製されたが、分布に関する情報が不足しているため、もう1つのモデルでは再現されなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Discrete-event simulation (DES) is widely used in healthcare Operations Research, but the models themselves are rarely shared. This limits their potential for reuse and long-term impact in the modelling and healthcare communities. This study explores the feasibility of using generative artificial intelligence (AI) to recreate published models using Free and Open Source Software (FOSS), based on the descriptions provided in an academic journal. Using a structured methodology, we successfully generated, tested and internally reproduced two DES models, including user interfaces. The reported results were replicated for one model, but not the other, likely due to missing information on distributions. These models are substantially more complex than AI-generated DES models published to date. Given the challenges we faced in prompt engineering, code generation, and model testing, we conclude that our iterative approach to model development, systematic comparison and testing, and the expertise of our team were necessary to the success of our recreated simulation models.
• Abstract（参考訳）: 離散イベントシミュレーション(DES)は医療オペレーションリサーチで広く用いられているが、モデル自体が共有されることは稀である。 これにより、モデリングと医療コミュニティにおける再利用の可能性と長期的な影響が制限される。 本研究では,学術誌に記載された記述に基づいて,生成人工知能(AI)を用いてFOSS(Free and Open Source Software)を用いた出版モデルを再現する可能性を検討する。 構造化手法を用いて、ユーザインタフェースを含む2つのDESモデルを生成し、テストし、内部的に再現した。 報告された結果は1つのモデルで複製されたが、分布に関する情報が不足しているため、もう1つのモデルでは再現されなかった。 これらのモデルは、これまで公開されたAI生成のDESモデルよりもかなり複雑である。 迅速なエンジニアリング、コード生成、モデルテストで直面した課題を踏まえると、モデル開発に対する反復的なアプローチ、体系的な比較とテスト、そして我々のチームの専門知識が、再現されたシミュレーションモデルの成功に必要だったと結論付けています。

関連論文リスト

• Learning-based Models for Vulnerability Detection: An Extensive Study [3.1317409221921144]
  我々は、最先端の学習ベースアプローチの2つのタイプを広範かつ包括的に調査する。 本稿では,シーケンスベースモデルの優先度と,グラフベースモデルの限定能力について実験的に検証する。
  論文  参考訳（メタデータ） (2024-08-14T13:01:30Z)
• Data-Juicer Sandbox: A Feedback-Driven Suite for Multimodal Data-Model Co-development [67.55944651679864]
  統合データモデル共同開発に適した新しいサンドボックススイートを提案する。 このサンドボックスは、フィードバック駆動の実験プラットフォームを提供し、コスト効率とデータとモデルの両方のガイド付き洗練を可能にする。
  論文  参考訳（メタデータ） (2024-07-16T14:40:07Z)
• On the Stability of Iterative Retraining of Generative Models on their own Data [56.153542044045224]
  混合データセットに対する生成モデルの訓練が与える影響について検討する。 まず、初期生成モデルがデータ分布を十分に近似する条件下で反復学習の安定性を実証する。 我々は、正規化フローと最先端拡散モデルを繰り返し訓練することにより、合成画像と自然画像の両方に関する我々の理論を実証的に検証する。
  論文  参考訳（メタデータ） (2023-09-30T16:41:04Z)
• ZhiJian: A Unifying and Rapidly Deployable Toolbox for Pre-trained Model Reuse [59.500060790983994]
  本稿では、PyTorchバックエンドを利用して、モデル再利用のための包括的でユーザフレンドリなツールボックスであるZhiJianを紹介する。 ZhiJianは、PTMによるターゲットアーキテクチャ構築、PTMによるターゲットモデルチューニング、およびPTMに基づく推論を含む、モデル再利用に関するさまざまな視点を統一する新しいパラダイムを提示している。
  論文  参考訳（メタデータ） (2023-08-17T19:12:13Z)
• Replicability Study: Corpora For Understanding Simulink Models & Projects [8.261117235807607]
  本研究は, 前回のSimulinkモデル研究で採用した方法論とデータソースをレビューし, SLNETを用いて過去の解析を再現する。 オープンソースSimulinkモデルは優れたモデリングプラクティスに従っており、プロプライエタリモデルに匹敵するサイズと特性を持つモデルを含んでいることがわかった。
  論文  参考訳（メタデータ） (2023-08-03T18:14:54Z)
• Generative AI for Medical Imaging: extending the MONAI Framework [29.152928147704507]
  我々は、研究者や開発者が生成モデルを簡単に訓練し、評価し、デプロイできるオープンソースプラットフォームであるMONAI Generative Modelsを紹介します。 我々のプラットフォームは、異なるアーキテクチャを含む標準化された方法で最先端の研究を再現します。 我々はこれらのモデルを一般化可能な方法で実装し、その結果を2次元または3次元のシナリオに拡張できることを示した。
  論文  参考訳（メタデータ） (2023-07-27T21:58:26Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)
• Discovering Generative Models from Event Logs: Data-driven Simulation vs Deep Learning [0.6338178373376447]
  生成モデルは、以前に観測されたデータから新しいデータインスタンスを生成することができる統計モデルである。 本稿では,データ駆動型シミュレーション手法と複数の深層学習手法を実証的に比較し,タイムスタンプ付きイベントによる実行トレースの生成が可能なモデルを構築した。
  論文  参考訳（メタデータ） (2020-09-08T08:04:06Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。