論文の概要: Driving Epidemic Models with AI Agents: the Epydemix Agent Framework

• arxiv url: http://arxiv.org/abs/2609.28692v1
• Date: Wed, 23 Sep 2026 18:31:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.489036
• Title: Driving Epidemic Models with AI Agents: the Epydemix Agent Framework
• Title（参考訳）: AIエージェントでエピデミックモデルを駆動するEpydemix Agentフレームワーク
• Abstract要約: 我々はEpydemix Agent Frameworkを紹介した。Epydemixはオープンソースのコンパートメンタル流行モデリング用Pythonライブラリである。 呼吸器感染症に対するワクチン接種戦略の比較を事例として,エンド・ツー・エンドのワークフローについて紹介する。 フレームワークのエージェント使用とPythonインターフェースの直接使用を比較して,50のエージェントセッションと5つのモデリングタスクでフレームワークを評価した。
• 参考スコア（独自算出の注目度）: 43.590506976483795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence agents based on large language models provide convenient natural language interfaces to scientific software, but reliability is not automatic. Here we introduce the Epydemix Agent Framework, an additive layer over Epydemix, an open-source Python library for stochastic compartmental epidemic modeling. The framework extends the library with four capabilities to facilitate interaction with an AI agent: discovery of available models and parameters, preventive validation of a declarative scenario specification, execution through tested library code, and inspectability of results. These capabilities let an agent handle the entire modeling process, from the natural-language description of the scenario to quantitative results, figures, and interpretation of findings without writing custom code. Each step reads input files and saves results in a separate output bundle, making the process auditable and reproducible. First, we show the end-to-end workflow with a case study comparing vaccination strategies for a novel respiratory virus. Second, we assessed the framework across 50 agent sessions and five modeling tasks by comparing the agent use of the framework against the direct use of the Python interface. The framework reduced turns, output tokens, and cost on most tasks, unless it trades resources for per-point reproducibility.
• Abstract（参考訳）: 大規模言語モデルに基づく人工知能エージェントは、科学ソフトウェアに便利な自然言語インタフェースを提供するが、信頼性は自動ではない。 ここではEpydemix Agent Frameworkを紹介します。Epydemixは確率的コンパートメント流行モデリングのためのオープンソースのPythonライブラリです。 このフレームワークは、利用可能なモデルとパラメータの発見、宣言的なシナリオ仕様の予防的検証、テストされたライブラリコードによる実行、結果の検査性という、AIエージェントとのインタラクションを容易にする4つの機能でライブラリを拡張している。 これらの能力により、エージェントはシナリオの自然言語による記述から、カスタムコードを記述することなく、結果の定量的な結果、数値、解釈まで、モデリングプロセス全体を処理できる。 各ステップは入力ファイルを読み出し、結果を別の出力バンドルに保存し、プロセスが監査可能で再現可能である。 まず,新規呼吸器ウイルスのワクチン接種戦略の比較を事例として,エンド・ツー・エンドのワークフローについて述べる。 第二に、50のエージェントセッションと5つのモデリングタスクにわたってフレームワークを評価し、Pythonインターフェースの直接使用とフレームワークのエージェント使用を比較した。 このフレームワークは、ほとんどのタスクにおいて、ポイント単位の再現性のためにリソースを交換しない限り、ターン、出力トークン、コストを削減した。

関連論文リスト

• NVIDIA-labs OO Agents: Native Python Object-Oriented Agents [8.777370925453148]
  我々は、信頼できるAIエージェントを構築するためのモデルに依存しないPythonフレームワークであるNVIDIA Object-Oriented Agents (NOOA)を紹介する。 NOOAはシンプルなアプローチを取る。エージェントはPythonオブジェクトである。そのメソッドはモデルが取ることができるアクションであり、フィールドは状態であり、ドキュメントはプロンプトであり、型アノテーションはコントラクトである。
  論文  参考訳（メタデータ） (2026-07-22T20:25:55Z)
• AutoStan: Autonomous Bayesian Model Improvement via Predictive Feedback [0.38073142980733005]
  AutoStanは、コマンドラインインターフェイス(CLI)コーディングエージェントが自律的に構築し、Stanで書かれたベイズモデルを反復的に改善するフレームワークである。 多様なモデリング構造を持つ5つのデータセット上でAutoStanを評価する。
  論文  参考訳（メタデータ） (2026-03-29T16:58:46Z)
• AgentArk: Distilling Multi-Agent Intelligence into a Single LLM Agent [57.10083973844841]
  AgentArkは、マルチエージェントダイナミクスを単一のモデルの重みに蒸留する新しいフレームワークである。 各種モデル,タスク,スケーリング,シナリオの3つの階層的蒸留戦略について検討する。 シミュレーションからトレーニングへ計算の負担をシフトさせることで、蒸留されたモデルは、複数のエージェントの強い推論と自己補正性能を示しながら、一つのエージェントの効率を保ちます。
  論文  参考訳（メタデータ） (2026-02-03T19:18:28Z)
• Code-in-the-Loop Forensics: Agentic Tool Use for Image Forgery Detection [59.04089915447622]
  ForenAgentはインタラクティブなIFDフレームワークで、MLLMが検出対象に関するPythonベースの低レベルツールを自律的に生成、実行、洗練することができる。 人間の推論にインスパイアされた我々は、グローバルな認識、局所的な焦点、反復的探索、そして全体論的偏見を含む動的推論ループを設計する。 実験の結果,ForenAgent は IFD 課題に対する創発的なツール利用能力と反射的推論を示すことがわかった。
  論文  参考訳（メタデータ） (2025-12-18T08:38:44Z)
• How can we assess human-agent interactions? Case studies in software agent design [52.953425368394306]
  我々は,人間とエージェントの相互作用の厳密な評価に向けて,二つの大きな一歩を踏み出した。 エージェント設計のより効率的な人間中心評価のためのフレームワークであるPULSEを提案する。 私たちは、オープンソースのソフトウェアエージェントOpenHandsを中心に構築された大規模なWebプラットフォームにフレームワークをデプロイします。
  論文  参考訳（メタデータ） (2025-10-10T19:04:28Z)
• Agent4FaceForgery: Multi-Agent LLM Framework for Realistic Face Forgery Detection [108.5042835056188]
  この作業では,2つの基本的な問題に対処するため,Agent4FaceForgeryを導入している。 人間の偽造の多様な意図と反復的なプロセスを捉える方法。 ソーシャルメディアの偽造に付随する複雑な、しばしば敵対的な、テキストと画像のインタラクションをモデル化する方法。
  論文  参考訳（メタデータ） (2025-09-16T01:05:01Z)
• MooseAgent: A LLM Based Multi-agent Framework for Automating Moose Simulation [1.951051209076837]
  本稿では,マルチ物理シミュレーションフレームワークMOOSEのための自動解法フレームワークMooseAgentを提案する。 MooseAgentは、大規模事前訓練言語モデル(LLM)とマルチエージェントシステムを組み合わせる。 その結果,MooseAgentはMOOSEシミュレーションプロセスをある程度自動化できることがわかった。
  論文  参考訳（メタデータ） (2025-04-11T15:25:50Z)

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。