論文の概要: Coordinated Pandemic Control with Large Language Model Agents as Policymaking Assistants

• arxiv url: http://arxiv.org/abs/2601.09264v1
• Date: Wed, 14 Jan 2026 07:59:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.324743
• Title: Coordinated Pandemic Control with Large Language Model Agents as Policymaking Assistants
• Title（参考訳）: 政策支援システムとしての大規模言語モデルエージェントを用いた協調型パンデミック制御
• Authors: Ziyi Shi, Xusen Guo, Hongliang Lu, Mingxing Peng, Haotian Wang, Zheng Zhu, Zhenning Li, Yuxuan Liang, Xinhu Zheng, Hai Yang,
• Abstract要約: 本研究では,地域間で協調的かつ積極的なパンデミック制御を支援する多言語モデル (LLM) の多言語政策作成フレームワークを提案する。 実世界のデータ、パンデミックの進化シミュレータ、エージェント間の構造的コミュニケーションを統合することで、エージェントは反現実的な介入シナリオを共同で探索することができる。 実際のパンデミックの結果と比較すると、それぞれの州レベルで累積感染と死亡率を最大63.7%、死亡率40.1%まで下げる。
• 参考スコア（独自算出の注目度）: 51.26321657927398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective pandemic control requires timely and coordinated policymaking across administrative regions that are intrinsically interdependent. However, human-driven responses are often fragmented and reactive, with policies formulated in isolation and adjusted only after outbreaks escalate, undermining proactive intervention and global pandemic mitigation. To address this challenge, here we propose a large language model (LLM) multi-agent policymaking framework that supports coordinated and proactive pandemic control across regions. Within our framework, each administrative region is assigned an LLM agent as an AI policymaking assistant. The agent reasons over region-specific epidemiological dynamics while communicating with other agents to account for cross-regional interdependencies. By integrating real-world data, a pandemic evolution simulator, and structured inter-agent communication, our framework enables agents to jointly explore counterfactual intervention scenarios and synthesize coordinated policy decisions through a closed-loop simulation process. We validate the proposed framework using state-level COVID-19 data from the United States between April and December 2020, together with real-world mobility records and observed policy interventions. Compared with real-world pandemic outcomes, our approach reduces cumulative infections and deaths by up to 63.7% and 40.1%, respectively, at the individual state level, and by 39.0% and 27.0%, respectively, when aggregated across states. These results demonstrate that LLM multi-agent systems can enable more effective pandemic control with coordinated policymaking...
• Abstract（参考訳）: 効果的なパンデミックコントロールは、本質的に相互依存している行政地域をまたいだ、タイムリーかつ協調的な政策決定を必要とする。 しかし、人為的な反応はしばしば断片化され反応し、政策は独立して定式化され、流行がエスカレートした後のみ調整され、積極的な介入と世界的なパンデミックの緩和を損なう。 この課題に対処するために,地域間で協調的かつ積極的なパンデミック制御をサポートする大規模言語モデル(LLM)多エージェント政策作成フレームワークを提案する。 フレームワーク内では、各管理領域には、AIポリシー作成アシスタントとしてLLMエージェントが割り当てられます。 エージェントは、他のエージェントと通信しながら、地域間の相互依存を考慮しながら、地域固有の疫学的ダイナミクスを原因とする。 実世界のデータ、パンデミックの進化シミュレータ、そしてエージェント間通信を統合することにより、エージェントは協調して対実的な介入シナリオを探索し、クローズドループシミュレーションプロセスを通じて協調的な政策決定を合成することができる。 提案手法は,2020年4月から12月にかけての米国内における国家レベルのCOVID-19データを用いて,実際の移動記録や政策介入の観察とともに検証した。 実際のパンデミックの結果と比較して、各州レベルで累積感染と死亡を最大63.7%、死亡を最大40.1%減らし、州全体で集計すると39.0%と27.0%減らした。 これらの結果は、LLMマルチエージェントシステムにより、協調政策作成によるより効果的なパンデミック制御が可能になることを実証している。

関連論文リスト

• LLM-Powered Social Digital Twins: A Framework for Simulating Population Behavioral Response to Policy Interventions [0.2787288702904897]
  ソーシャルデジタルツイン(Social Digital Twins)は、大規模言語モデルが個々のエージェントの認知エンジンとして機能する仮想人口レプリカである。 新型コロナウイルスをケーススタディとして、パンデミック対応の領域でこの枠組みをインスタンス化する。 本稿では, 政策シミュレーション, アプローチの限界, パンデミック対応を超えてLLMベースのデジタル双生児を拡大するための方向性について論じる。
  論文  参考訳（メタデータ） (2026-01-03T13:25:33Z)
• DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
  大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。 本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
  論文  参考訳（メタデータ） (2025-10-24T08:01:21Z)
• Learning Pareto-Optimal Pandemic Intervention Policies with MORL [1.160208922584163]
  本研究では,疾患拡散防止戦略をモデル化し,評価するための枠組みを開発する。 シミュレーションでは,全国規模のパンデミックのダイナミクスを再現し,他のモデルよりも桁違いに忠実に再現する。 この研究は、公衆衛生危機を緩和するための透明で証拠に基づく政策決定を支援する。
  論文  参考訳（メタデータ） (2025-10-02T12:06:29Z)
• MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。 MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。 IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• Federated Natural Policy Gradient and Actor Critic Methods for Multi-task Reinforcement Learning [46.28771270378047]
  フェデレート強化学習(RL)は、ローカルデータトラジェクトリを共有することなく、複数の分散エージェントの協調的な意思決定を可能にする。 本研究では,環境の同じ遷移カーネルを共有しながら,各エージェントが異なるタスクに対応する個別の報酬関数を持つマルチタスク設定について考察する。 我々は、分散された方法で全てのエージェントの割引された全報酬の総和を最大化する、世界的な最適政策を学習する。
  論文  参考訳（メタデータ） (2023-11-01T00:15:18Z)
• Evaluation of non-pharmaceutical interventions and optimal strategies for containing the COVID-19 pandemic [14.807368322926227]
  政策,移動パターン,ウイルス感染の関連について検討する。 その結果,緊急宣言の権限とマスク着用が強調された。 我々の枠組みは、パンデミック対応のベストプラクティスについて、あらゆる国の政策立案者に通知することができる。
  論文  参考訳（メタデータ） (2022-02-28T17:33:25Z)
• An Agent-Based Model of COVID-19 Diffusion to Plan and Evaluate Intervention Policies [0.09236074230806579]
  このモデルはイタリアのピエモンテの構造データを含んでいる。 このモデルは、エージェントの行動と相互作用の結果から生じる複雑な伝染病のダイナミクスの生成である。
  論文  参考訳（メタデータ） (2021-08-19T19:23:17Z)
• Optimal Epidemic Control as a Contextual Combinatorial Bandit with Budget [26.49683079770031]
  新型コロナウイルス(COVID-19)のパンデミックを踏まえ、最良の政策を規定する最適な方法を見つけることは、オープンな挑戦であり、重要な実践的問題である。 この多次元的なエクスプロイトと探索のトレードオフを解決するために、我々はこの技術的課題を文脈的盗聴問題として定式化する。 エージェントは、毎日の新型コロナウイルス感染者数と推奨介入の厳格さを最小化するために、政策立案者がリアルタイムで実施できる有用な介入計画を作成する必要がある。
  論文  参考訳（メタデータ） (2021-06-30T04:46:31Z)
• Dealing with Non-Stationarity in Multi-Agent Reinforcement Learning via Trust Region Decomposition [52.06086375833474]
  非定常性は多エージェント強化学習における厄介な問題である。 ポリシーシーケンスの定常性を明示的にモデル化するための$delta$-stationarity測定を導入する。 共同政策の分岐を推定するために,メッセージパッシングに基づく信頼領域分解ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-02-21T14:46:50Z)
• When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
  新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。 さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。 本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
  論文  参考訳（メタデータ） (2020-05-13T18:21:50Z)

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。