論文の概要: LLM-Guided ODE Discovery and Parameter Inference from Small-Cohort Aggregate Data

• arxiv url: http://arxiv.org/abs/2607.00733v1
• Date: Wed, 01 Jul 2026 10:17:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.846318
• Title: LLM-Guided ODE Discovery and Parameter Inference from Small-Cohort Aggregate Data
• Title（参考訳）: 小型コホート集合データからのLLM誘導ODEの探索とパラメータ推定
• Authors: Hanning Yang, Meropi Karakioulaki, Lennart Purucker, Tim Litwin, Cristina Has, Moritz Hess,
• Abstract要約: 常微分方程式(ODE)による力学モデリングは、複素力学の解釈可能な記述を提供する。 稀な疾患では、モデルの構造とパラメータは一般的に不明であるが、個々のレベルのデータは少ない。 我々は、このギャップに対処するエンドツーエンドのフレームワークであるAgentODEを紹介します。
• 参考スコア（独自算出の注目度）: 3.6108652111867623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mechanistic modeling via ordinary differential equations (ODEs) provides interpretable descriptions of complex dynamics and enables inference of underlying mechanisms, which is particularly valuable in clinical settings. However, in rare diseases, both the structure and parameters of the model are typically unknown, while individual-level data is scarce, noisy, heterogeneous, and subject to privacy constraints. In such settings, population-level summary statistics provide a practical privacy-preserving data representation, while capturing heterogeneity further requires modeling parameters as distributions rather than fixed values. Yet no existing method jointly discovers ODE structure and refines parameter distributions solely from summary statistics. We present AgentODE, an end-to-end framework that addresses this gap. An LLM proposes candidate ODE structures, while a tool-augmented inference agent iteratively refines parameter distributions through a diagnosis--update loop, operating on population-level summary statistics alone. We evaluate AgentODE on three benchmark problems across different fields and two clinical datasets, including the rare disease recessive dystrophic epidermolysis bullosa (RDEB), with only 231 observations across 46 patients. AgentODE recovers functionally consistent ODE structures across all settings, and experiments on RDEB demonstrates that in sparse and noisy data settings reasoning from summary statistics promotes mechanistically principled structure discovery, whereas baselines with individual-level data access recover implausible structures despite better predictive performance. AgentODE opens new possibilities for mechanistic modeling of rare diseases directly from population-level summary statistics, where data scarcity and privacy constraints have traditionally limited such analyses.
• Abstract（参考訳）: 通常の微分方程式(ODE)による力学モデリングは、複雑な力学の解釈可能な記述を提供し、基礎となるメカニズムの推論を可能にする。 しかし、稀な疾患では、モデルの構造とパラメータは一般的に不明であり、個々のレベルのデータはノイズが少なく、異質であり、プライバシーの制約を受ける。 このような設定では、人口レベルの要約統計は、実用的なプライバシー保護データ表現を提供する一方で、不均一性を捉えるには、固定値ではなく分布としてモデルパラメータを必要とする。 しかし、既存の手法ではODE構造を共同で発見せず、サマリ統計のみからパラメータ分布を洗練しない。 我々は、このギャップに対処するエンドツーエンドのフレームワークであるAgentODEを紹介します。 LLMは候補ODE構造を提案し、ツール拡張推論エージェントは診断更新ループを通じてパラメータ分布を反復的に洗練し、人口レベルの要約統計だけで運用する。 我々は,46例中231例しか観察できなかった稀な疾患劣性萎縮性表皮解離性黄斑症(RDEB)を含む2つの臨床データセットの3つのベンチマーク問題に対して,AgentODEを評価した。 AgentODEはすべての設定で機能的に一貫したODE構造を復元するが、RDEBの実験では、スムーズでノイズの多いデータ設定において、サマリ統計から推測されるデータ設定は機械的原理による構造発見を促進するが、一方、個々のレベルのデータアクセスを持つベースラインは予測性能が良いにもかかわらず、予測不可能な構造を回復する。 AgentODEは、データ不足やプライバシー制約が伝統的にそのような分析に制限されている、人口レベルの要約統計から直接、まれな疾患の機械的モデリングを行う新たな可能性を開く。

関連論文リスト

• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• FRESH: Information-Geometric Calibration of Patient-Level Models to Aggregate Evidence [0.0]
  Freshは、患者レベルのデータに基づいてトレーニングされた予測モデルに、人口レベルの要約結果を組み込む方法である。 本手法は,対象人口に対する特定の集計統計値のセットと一致する再校正モデルを用いて患者レベルの予測を行う。
  論文  参考訳（メタデータ） (2026-05-15T17:50:11Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• 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)
• Bridging the Generalisation Gap: Synthetic Data Generation for Multi-Site Clinical Model Validation [0.3362278589492841]
  既存のモデル評価アプローチは、可用性に制限のある実世界のデータセットに頼っていることが多い。 本稿では, ベンチマークモデル, 公正性, 一般化性の制御されたロバスト性を考慮した, 構造化された合成データフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-29T11:04:28Z)
• A Differentially Private Probabilistic Framework for Modeling the Variability Across Federated Datasets of Heterogeneous Multi-View Observations [4.511923587827301]
  我々のフレームワークは、潜在マスターの分布とクライアントのパラメータよりも期待(EM)によって効果的に最適化できることを示す。 アルツハイマー病に罹患した患者の臨床データから, マルチモーダル・メディカル・イメージング・データの解析と臨床成績について検討した。
  論文  参考訳（メタデータ） (2022-04-15T07:20:47Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。