論文の概要: Machine Generalize Learning in Agent-Based Models: Going Beyond Surrogate Models for Calibration in ABMs

• arxiv url: http://arxiv.org/abs/2509.07013v1
• Date: Sat, 06 Sep 2025 18:28:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.023339
• Title: Machine Generalize Learning in Agent-Based Models: Going Beyond Surrogate Models for Calibration in ABMs
• Title（参考訳）: エージェントベースモデルにおける機械学習の一般化:ABMにおけるキャリブレーションのためのサロゲートモデルを超えて
• Authors: Sima Najafzadehkhoei, George Vega Yon, Bernardo Modenesi, Derek S. Meyer,
• Abstract要約: キャリブレーションエージェントベースの疫病モデルは、計算的に要求されている。 本稿では,流行時系列からSIRパラメータへの逆写像を学習する教師付き機械学習校正器を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Calibrating agent-based epidemic models is computationally demanding. We present a supervised machine learning calibrator that learns the inverse mapping from epidemic time series to SIR parameters. A three-layer bidirectional LSTM ingests 60-day incidence together with population size and recovery rate, and outputs transmission probability, contact rate, and R0. Training uses a composite loss with an epidemiology-motivated consistency penalty that encourages R0 \* recovery rate to equal transmission probability \* contact rate. In a 1000-scenario simulation study, we compare the calibrator with Approximate Bayesian Computation (likelihood-free MCMC). The method achieves lower error across all targets (MAE: R0 0.0616 vs 0.275; transmission 0.0715 vs 0.128; contact 1.02 vs 4.24), produces tighter predictive intervals with near nominal coverage, and reduces wall clock time from 77.4 s to 2.35 s per calibration. Although contact rate and transmission probability are partially nonidentifiable, the approach reproduces epidemic curves more faithfully than ABC, enabling fast and practical calibration. We evaluate it on SIR agent based epidemics generated with epiworldR and provide an implementation in R.
• Abstract（参考訳）: キャリブレーションエージェントベースの疫病モデルは、計算的に要求されている。 本稿では,流行時系列からSIRパラメータへの逆写像を学習する教師付き機械学習校正器を提案する。 3層式双方向LSTMは, 集団サイズと回復率とともに60日間の頻度を取り込み, 送信確率, 接触速度, R0を出力する。 トレーニングは、疫学的に動機付けられた一貫性のペナルティを伴う複合的損失を使用しており、R0 \* 回復率を同じ伝達確率 \* 接触率に促進する。 1000-scenarioシミュレーションでは、キャリブレータと近似ベイズ計算(英語版)(MCMC)を比較した。 この方法は、全ての目標(MAE: R0 0.0616 vs 0.275; 送信 0.0715 vs 0.128; 連絡先 1.02 vs 4.24; 接触 1.02 vs 4.24)で低い誤差を達成し、より厳密な予測間隔を発生させ、壁時計の時間を77.4秒から2.35秒に短縮する。 接触速度と伝達確率は部分的には特定できないが、この手法はABCより忠実に流行曲線を再現し、高速で実用的な校正を可能にする。 エピワールドRで発生したSIRエージェントによる疫病について評価し,Rで実施した。

関連論文リスト

• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• Continuous sPatial-Temporal Deformable Image Registration (CPT-DIR) for motion modelling in radiotherapy: beyond classic voxel-based methods [28.526710503853877]
  現在の変形可能な画像登録(DIR)の実装は、離散的な体積運動表現に依存している。 患者解剖運動の連続モデリングに暗黙的神経表現(INR)を用いた新しいアプローチを提案する。 CPT-DIRは、登録と精度、自動化、スピードを大幅に向上させる。
  論文  参考訳（メタデータ） (2024-05-01T10:26:08Z)
• Neural parameter calibration and uncertainty quantification for epidemic forecasting [0.0]
  感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。 ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。 本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
  論文  参考訳（メタデータ） (2023-12-05T21:34:59Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Bayesian logistic regression for online recalibration and revision of risk prediction models with performance guarantees [6.709991492637819]
  本稿では,予測モデルの継続的再校正と修正の2つの手順を紹介する。 シミュレーションを用いて実証評価を行い, COPDリスクを予測する実世界の研究を行った。 我々は「I型とII型」の遺残境界を導出する。これは、手順が静的モデルに非劣等であり、オラクルのロジスティックリバイザと競合することを保証している。
  論文  参考訳（メタデータ） (2021-10-13T17:03:21Z)
• Comparative Analysis of Machine Learning Approaches to Analyze and Predict the Covid-19 Outbreak [10.307715136465056]
  疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。 これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
  論文  参考訳（メタデータ） (2021-02-11T11:57:33Z)
• A Time-dependent SIR model for COVID-19 with Undetectable Infected Persons [5.315136504175843]
  2つの時系列を追従する時間依存型感受性感染回復モデルを提案する。 中国が提供したデータから,確認された症例数の1日の予測誤差がほぼ3%であることがわかった。 また、送信率が回復率より小さい日と定義される旋回点を正確に予測することができる。
  論文  参考訳（メタデータ） (2020-02-28T23:44:13Z)

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。