論文の概要: Agentic Framework for Epidemiological Modeling

• arxiv url: http://arxiv.org/abs/2602.00299v1
• Date: Fri, 30 Jan 2026 20:45:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.105155
• Title: Agentic Framework for Epidemiological Modeling
• Title（参考訳）: 疫学モデリングのためのエージェント・フレームワーク
• Authors: Rituparna Datta, Zihan Guan, Baltazar Espinoza, Yiqi Su, Priya Pitre, Srini Venkatramanan, Naren Ramakrishnan, Anil Vullikanti,
• Abstract要約: EPIAGENTは、疫学シミュレーターを自動で合成し、校正し、検証し、精製するエージェントフレームワークである。 中心的な設計選択は、シナリオ仕様とモデル構造を結びつける明示的な疫学的フローグラフ中間表現である。
• 参考スコア（独自算出の注目度）: 17.304290461990004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Epidemic modeling is essential for public health planning, yet traditional approaches rely on fixed model classes that require manual redesign as pathogens, policies, and scenario assumptions evolve. We introduce EPIAGENT, an agentic framework that automatically synthesizes, calibrates, verifies, and refines epidemiological simulators by modeling disease progression as an iterative program synthesis problem. A central design choice is an explicit epidemiological flow graph intermediate representation that links scenario specifications to model structure and enables strong, modular correctness checks before code is generated. Verified flow graphs are then compiled into mechanistic models supporting interpretable parameter learning under physical and epidemiological constraints. Evaluation on epidemiological scenario case studies demonstrates that EPIAGENT captures complex growth dynamics and produces epidemiologically consistent counterfactual projections across varying vaccination and immune escape assumptions. Our results show that the agentic feedback loop prevents degeneration and significantly accelerates convergence toward valid models by mimicking professional expert workflows.
• Abstract（参考訳）: 疫学的なモデリングは公衆の健康計画に不可欠であるが、伝統的なアプローチは病原体、政策、シナリオの仮定が進化するにつれて手動の再設計を必要とする固定されたモデルクラスに依存している。 本稿では,病の進行を反復的プログラム合成問題としてモデル化することにより,疫学シミュレータの自動合成,校正,検証,精製を行うエージェントフレームワークであるEPIAGENTを紹介する。 中心的な設計選択は、シナリオ仕様とモデル構造をリンクする明示的な疫学的フローグラフ中間表現であり、コードが生成される前に強力なモジュールの正当性チェックを可能にする。 検証されたフローグラフは、物理的および疫学的制約の下で解釈可能なパラメータ学習をサポートするメカニスティックモデルにコンパイルされる。 疫学シナリオのケーススタディでは、EPIAGENTは複雑な成長動態を捉え、様々な予防接種や免疫逃避の仮定にまたがって疫学的に一貫したカウンターファクト・プロジェクションを生成することが示されている。 この結果から,エージェントフィードバックループは,プロのエキスパートワークフローを模倣することにより,変性を防止し,有効なモデルへの収束を著しく促進することがわかった。

関連論文リスト

• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Spatiotemporal Forecasting as Planning: A Model-Based Reinforcement Learning Approach with Generative World Models [45.523937630646394]
  本研究では,モデルベース強化学習における新たなパラダイムであるSFP予測・アズ・プランニング(SFP)を提案する。 SFPは、多様な高時間将来の状態をシミュレートし、「想像に基づく」環境シミュレーションを可能にする新しい世界モデルを構築している。
  論文  参考訳（メタデータ） (2025-10-05T03:57:38Z)
• Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
  本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。 我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
  論文  参考訳（メタデータ） (2025-08-18T20:44:32Z)
• Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood [0.0]
  本研究では,従来の単一モデルアプローチの制約を克服する目的で設計された,予測因果推論のための統合フレームワークを提案する。 具体的には、空間的健康状態推定のための隠れマルコフモデルと、時間的結果の軌跡を捉えるためのマルチタスクとマルチグラフ畳み込みネットワーク(MTGCN)を組み合わせる。 有用性を示すために,がん,認知症,パーキンソン病などの臨床領域に焦点を当て,治療効果を直接観察することが困難である。
  論文  参考訳（メタデータ） (2025-07-11T03:11:15Z)
• Intensive Care as One Big Sequence Modeling Problem [1.6114012813668932]
  本稿では、患者と医療提供者とのインタラクションをイベントストリームとして表現する、シーケンスモデリングとしてのヘルスケアのパラダイムを提案する。 我々はMIMIC-IVデータセットから一様イベントストリームフォーマットに異種臨床記録を変換したシーケンスモデリングベンチマークMIMIC-SEQを開発した。
  論文  参考訳（メタデータ） (2024-02-27T13:36:55Z)
• Seq2Seq Surrogates of Epidemic Models to Facilitate Bayesian Inference [0.6524460254566905]
  深部シーケンス・ツー・シークエンス(seq2seq)モデルは,複雑な流行モデルに対する正確なサロゲートとして機能することを示す。 トレーニングが完了すると、サロゲートはオリジナルのモデルよりも数千倍高速なシナリオを予測できます。
  論文  参考訳（メタデータ） (2022-09-20T11:23:19Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)

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。