論文の概要: Optimizing Interventions for Agent-Based Infectious Disease Simulations
- arxiv url: http://arxiv.org/abs/2604.02016v1
- Date: Thu, 02 Apr 2026 13:20:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.806661
- Title: Optimizing Interventions for Agent-Based Infectious Disease Simulations
- Title（参考訳）: エージェントによる感染症シミュレーションの最適化
- Authors: Anja Wolpers, Johannes Ponge, Adelinde M. Uhrmacher,
- Abstract要約: 非薬剤的介入(NPI)は、医薬品のオプションが利用できない場合、感染性疾患の伝染を制御するために一般的に用いられる。
エージェント・ベース・シミュレーションは疫学における介入の可能性を分析する一般的なツールである。
エージェントベースシミュレーションを用いてNPIを自動的に最適化するシステムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Non-pharmaceutical interventions (NPIs) are commonly used tools for controlling infectious disease transmission when pharmaceutical options are unavailable. Yet, identifying effective interventions that minimize societal disruption remains challenging. Agent-based simulation is a popular tool for analyzing the impact of possible interventions in epidemiology. However, automatically optimizing NPIs using agent-based simulations poses a complex problem because, in agent-based epidemiological models, interventions can target individuals based on multiple attributes, affect hierarchical group structures (e.g., schools, workplaces, and families), and be combined arbitrarily, resulting in a very large or even infinite search space. We aim to support decision-makers with our Agent-based Infectious Disease Intervention Optimization System (ADIOS) that optimizes NPIs for infectious disease simulations using Grammar-Guided Genetic Programming (GGGP). The core of ADIOS is a domain-specific language for expressing NPIs in agent-based simulations that structures the intervention search space through a context-free grammar. To make optimization more efficient, the search space can be further reduced by defining constraints that prevent the generation of semantically invalid intervention patterns. Using this constrained language and an interface that enables coupling with agent-based simulations, ADIOS adopts the GGGP approach for simulation-based optimization. Using the German Epidemic Micro-Simulation System (GEMS) as a case study, we demonstrate the potential of our approach to generate optimal interventions for realistic epidemiological models
- Abstract（参考訳）: 非薬剤的介入(NPI)は、医薬品のオプションが利用できない場合に伝染病の感染を抑えるために一般的に用いられる。
しかし、社会的混乱を最小限に抑える効果的な介入を特定することは依然として困難である。
エージェント・ベース・シミュレーションは疫学における介入の可能性を分析する一般的なツールである。
しかし、エージェントベースのシミュレーションを用いたNPIの自動最適化は、エージェントベースの疫学モデルでは、介入は複数の属性に基づいて個人を標的にし、階層的なグループ構造(例えば、学校、職場、家族)に影響を与え、任意に組み合わせることで、非常に大きな、あるいは無限の検索空間をもたらすため、複雑な問題を引き起こす。
我々は,GGGP(Grammar-Guided Genetic Programming)を用いた感染症シミュレーションにおいて,NPIを最適化するエージェントベースの感染症予防最適化システム(ADIOS)を用いて意思決定者を支援することを目的とする。
ADIOSの中核は、文脈自由文法を通して介入探索空間を構造化するエージェントベースのシミュレーションにおいて、NPIを表現するためのドメイン固有言語である。
最適化をより効率的にするために、意味的に無効な介入パターンの生成を防止する制約を定義することにより、探索空間をさらに小さくすることができる。
この制約付き言語とエージェントベースのシミュレーションとの結合を可能にするインタフェースを用いて、ADIOSはシミュレーションベースの最適化にGGGPアプローチを採用する。
ゲルマン・エピデミック・マイクロ・シミュレーション・システム(GEMS)を事例として,本手法が現実の疫学モデルに最適な介入をもたらす可能性を実証した。
関連論文リスト
- Position: AI Agents Are Not (Yet) a Panacea for Social Simulation [62.891898598784415]
大規模言語モデル(LLM)の最近の進歩は、社会シミュレーションにLLM統合エージェントを使うことへの関心が高まっている。
このポジションペーパーは、LSMをベースとしたエージェントは社会シミュレーションのパナセアではないと主張している。
論文 参考訳（メタデータ） (2026-02-19T06:35:07Z) - Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。
概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。
我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
論文 参考訳（メタデータ） (2024-10-31T20:05:51Z) - Generative Principal Component Regression via Variational Inference [2.4415762506639944]
適切な操作を設計するための1つのアプローチは、予測モデルの重要な特徴をターゲットとすることである。
我々は,そのような情報を潜在空間で表現する,教師付き変分オートエンコーダ(SVAE)に基づく新しい目的を開発する。
シミュレーションでは,gPCRは通常のPCRやSVAEと比較して,操作時のターゲット選択を劇的に改善することを示した。
論文 参考訳（メタデータ） (2024-09-03T22:38:55Z) - Epidemic Control on a Large-Scale-Agent-Based Epidemiology Model using
Deep Deterministic Policy Gradient [0.7244731714427565]
ロックダウン、急激な予防接種プログラム、学校閉鎖、経済刺激は、肯定的または意図しない否定的な結果をもたらす可能性がある。
ラウンドトリップを通じて自動的に最適な介入をモデル化し決定するための現在の研究は、シミュレーション目標、スケール(数千人)、介入研究に適さないモデルタイプ、探索可能な介入戦略の数(離散対連続)によって制限されている。
我々は,大規模(100,000人)の疫学的エージェントに基づくシミュレーションに基づいて,DDPGに基づく政策最適化フレームワークを用いて,これらの課題に対処する。
論文 参考訳（メタデータ） (2023-04-10T09:26:07Z) - Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。
本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
論文 参考訳（メタデータ） (2022-09-10T20:40:30Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Discrete Stochastic Optimization for Public Health Interventions with
Constraints [1.8275108630751844]
本稿では,2009年のH1N1と新型コロナウイルスのパンデミックについて,オープンソースのモンテカルロシミュレーションによってモデル化された疾患の拡散について述べる。
最適化の目的は、社会に最小限の経済損失をもたらすため、介入戦略の最良の組み合わせを決定することである。
論文 参考訳（メタデータ） (2022-06-27T21:21:25Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳（メタデータ） (2021-07-07T03:57:22Z) - EpidemiOptim: A Toolbox for the Optimization of Control Policies in
Epidemiological Models [12.748861129923348]
EpidemiOptimは、疫学と最適化の研究者間のコラボレーションを容易にするPythonツールボックスである。
これは疫学モデルとコスト関数を、最適化実践者が一般的に使用する標準インターフェースを介して最適化問題に変換する。
本稿では,エピデミオプティムを用いて,死傷率と経済不況の最適化の下で,ロックダウン制御を動的に行うための最適ポリシーを提案する。
論文 参考訳（メタデータ） (2020-10-09T09:25:41Z)
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。