論文の概要: ABM-UDE: Developing Surrogates for Epidemic Agent-Based Models via Scientific Machine Learning
- arxiv url: http://arxiv.org/abs/2602.21588v1
- Date: Wed, 25 Feb 2026 05:19:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-26 18:19:16.71234
- Title: ABM-UDE: Developing Surrogates for Epidemic Agent-Based Models via Scientific Machine Learning
- Title（参考訳）: ABM-UDE:科学機械学習によるエピデミックエージェントモデルのためのサロゲートの開発
- Authors: Sharv Murgai, Utkarsh Utkarsh, Kyle C. Nguyen, Alan Edelman, Erin C. S. Acquesta, Christopher Vincent Rackauckas,
- Abstract要約: 我々は、ユニバーサル微分方程式(UDEs)を用いて、大規模ABM軌道から直接学習する郡対応サロゲートを開発した。
我々は、介入駆動型体制シフトにおける神経増強型疫学ダイナミクスの同定を安定化するために、多重射撃と観測者に基づく予測エラー法(PEM)を適用した。
推論はコモディティCPU($sim$90日予測で20-35秒)で数秒で実行され、ラップトップ上で夜の「What-if」スイープを可能にする。
- 参考スコア（独自算出の注目度）: 1.949837893170278
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agent-based epidemic models (ABMs) encode behavioral and policy heterogeneity but are too slow for nightly hospital planning. We develop county-ready surrogates that learn directly from exascale ABM trajectories using Universal Differential Equations (UDEs): mechanistic SEIR-family ODEs with a neural-parameterized contact rate $κ_φ(u,t)$ (no additive residual). Our contributions are threefold: we adapt multiple shooting and an observer-based prediction-error method (PEM) to stabilize identification of neural-augmented epidemiological dynamics across intervention-driven regime shifts; we enforce positivity and mass conservation and show the learned contact-rate parameterization yields a well-posed vector field; and we quantify accuracy, calibration, and compute against ABM ensembles and UDE baselines. On a representative ExaEpi scenario, PEM-UDE reduces mean MSE by 77% relative to single-shooting UDE (3.00 vs. 13.14) and by 20% relative to MS-UDE (3.75). Reliability improves in parallel: empirical coverage of ABM $10$-$90$% and $25$-$75$% bands rises from 0.68/0.43 (UDE) and 0.79/0.55 (MS-UDE) to 0.86/0.61 with PEM-UDE and 0.94/0.69 with MS+PEM-UDE, indicating calibrated uncertainty rather than overconfident fits. Inference runs in seconds on commodity CPUs (20-35 s per $\sim$90-day forecast), enabling nightly ''what-if'' sweeps on a laptop. Relative to a $\sim$100 CPU-hour ABM reference run, this yields $\sim10^{4}\times$ lower wall-clock per scenario. This closes the realism-cadence gap, supports threshold-aware decision-making (e.g., maintaining ICU occupancy $<75$%), preserves mechanistic interpretability, and enables calibrated, risk-aware scenario planning on standard institutional hardware. Beyond epidemics, the ABM$\to$UDE recipe provides a portable path to distill agent-based simulators into fast, trustworthy surrogates for other scientific domains.
- Abstract（参考訳）: エージェントベース流行モデル(ABM)は行動と政策の不均一性を符号化するが、夜間の病院計画には遅すぎる。
ユニバーサル微分方程式 (UDEs) を用いて, 大規模ABM軌道から直接学習する郡対応サロゲートを開発し, ニューラルパラメータ化された接触速度$κ_φ(u,t)$ (付加残差なし) の機械的SEIRファミリーODEを開発した。
我々は,多発射撃と観測者による予測エラー法(PEM)を適用して,介入駆動型体制シフト間の神経増強された疫学ダイナミクスの同定を安定化させるとともに,正の正の正当性および質量保存を強制し,学習された接触速度パラメータ化が十分に仮定されたベクトル場を得られることを示すとともに,精度,校正,計算をABMアンサンブルやUDEベースラインに対して定量化する。
代表的なExaEpiのシナリオでは、PEM-UDEはシングルシューティングUDE(3.00 vs. 13.14)に対して平均MS-UDE(3.75)に対して平均MSEを77%、MS-UDE(3.75)に対して20%削減する。
ABM 10$-90$%と25$-75$%のバンドは0.68/0.43 (UDE)と0.79/0.55 (MS-UDE)から0.86/0.61へ上昇し、PEM-UDEは0.94/0.69、MS+PEM-UDEは0.94/0.69となった。
推論はコモディティCPU(20-35 s per $\sim$90-day forecast)上で数秒で実行される。
$\sim$100 CPU-hour ABMリファレンス実行とは対照的に、シナリオ毎に$\sim10^{4}\times$ down wall-clockである。
これはリアリズムとケイデンスギャップを埋め、しきい値対応の意思決定(例えば、ICU占有率を75ドル%維持するなど)をサポートし、機械的解釈性を維持し、標準のハードウェア上で校正されたリスク対応シナリオ計画を可能にする。
ABM$\to$UDEのレシピは、エージェントベースのシミュレーターを高速で信頼性の高い他の科学的領域のサロゲートに蒸留するためのポータブルパスを提供する。
関連論文リスト
- Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。
累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。
主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
論文 参考訳（メタデータ） (2026-02-10T21:08:53Z) - ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。
そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。
また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
論文 参考訳（メタデータ） (2026-02-05T05:45:16Z) - ReLE: A Scalable System and Structured Benchmark for Diagnosing Capability Anisotropy in Chinese LLMs [37.23311145049677]
本稿では,機能異方性(Capability Anisotropy)を診断するためのスケーラブルなシステムであるReLEを提案する。
我々は,207,843サンプルからなる領域$times$ Capability SymbolicMatrixの304モデルを評価した。
論文 参考訳（メタデータ） (2026-01-24T09:57:59Z) - See Less, Drive Better: Generalizable End-to-End Autonomous Driving via Foundation Models Stochastic Patch Selection [51.59559387222532]
エンドツーエンド自動運転の最近の進歩は、パッチアライメント機能で訓練されたポリシーが、アウト・オブ・ディストリビューション(OOD)よりも一般化していることを示している。
我々は、より堅牢で、一般化可能で、効率的な学習ポリシーのためのシンプルで効果的なアプローチである2.4-Patch-Selection(SPS)を提案する。
論文 参考訳（メタデータ） (2026-01-15T18:58:33Z) - Spectral Sentinel: Scalable Byzantine-Robust Decentralized Federated Learning via Sketched Random Matrix Theory on Blockchain [0.0]
ビザンチンのクライアントは、不均一な(Non-IID)データの下での濃度勾配を中毒する。
本稿では,ビザンチン検出・集約フレームワークであるSpectral Sentinelを提案する。
Polygonネットワーク上でブロックチェーンを統合することで,完全なシステムを実現しています。
論文 参考訳（メタデータ） (2025-12-14T09:43:03Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Adaptive Monitoring and Real-World Evaluation of Agentic AI Systems [3.215065407261898]
大規模言語モデルと外部ツールを組み合わせたマルチエージェントシステムは、研究機関からハイテイクドメインへと急速に移行している。
この「先進的な」続編は、アルゴリズムのインスタンス化や経験的な証拠を提供することで、そのギャップを埋める。
AMDMは擬似ゴールドリフトで異常検出遅延を12.3秒から5.6秒に減らし、偽陽性率を4.5%から0.9%に下げる。
論文 参考訳（メタデータ） (2025-08-28T15:52:49Z)
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。