論文の概要: Graph World Models for Constrained Epidemic Policy Planning

• arxiv url: http://arxiv.org/abs/2609.35545v1
• Date: Mon, 28 Sep 2026 16:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 20:58:40.926684
• Title: Graph World Models for Constrained Epidemic Policy Planning
• Title（参考訳）: 制約付きエピデミック政策計画のためのグラフワールドモデル
• Abstract要約: EpiMindは、地域ごとの制限付き疫病対策計画のためのグラフワールドモデルフレームワークである。 グラフ分解されたリカレント状態空間モデルは、地域潜在信念から共同ポリシー条件付きロールアウトを生成する。
• 参考スコア（独自算出の注目度）: 40.44574524466268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Epidemic policy planning often requires coordination between geographical regions, taking into account mobility-driven spillovers and how to make use of limited resources. Existing methods either lack action-conditioned models of coupled dynamics or cannot guarantee per-period feasibility. We present EpiMind, a graph world model framework for constrained epidemic policy planning across regions. A graph-factored recurrent state-space model generates joint policy-conditioned rollouts from regional latent beliefs, while graph-temporal ADMM optimizes regional interventions, enforces shared-resource feasibility through projection, and evaluates temporal specifications under the learned model. EpiMind reduces admission RMSE by 29% relative to graph-free dynamics modeling, plans within 1-5% of the best feasible constant policy with guaranteed shared-budget feasibility, and outperforms all deployable baselines across three resource budgets in real-context evaluation. These results demonstrate that graph-structured policy imagination with explicit constrained coordination supports effective epidemic interventions from learned dynamics.
• Abstract（参考訳）: エピデミックな政策プランニングは、しばしば地理的地域間の調整を必要とし、移動によって引き起こされる引きこもりや限られた資源の活用方法を考慮している。 既存の方法には、結合力学の動作条件付きモデルがないか、周期毎の実現性を保証することができない。 地域ごとの感染拡大対策計画のためのグラフ・ワールド・モデル・フレームワークであるEpiMindについて紹介する。 グラフ分解されたリカレント状態空間モデルは、地域潜在信念から共同ポリシー条件付きロールアウトを生成し、グラフ時間ADMMは地域介入を最適化し、プロジェクションを通じて共有リソースの実現性を強制し、学習モデルの下で時間的仕様を評価する。 EpiMindは、グラフフリーなダイナミックスモデリングと比較して、RMSEの受け入れを29%削減し、共有予算の実現性を保証する最高の実行可能な定数ポリシーの1-5%以内に計画し、リアルタイム評価において3つのリソース予算にまたがるすべてのデプロイ可能なベースラインを上回ります。 これらの結果は、明示的な制約付き協調によるグラフ構造化政策の想像力は、学習力学からの効果的な疫学介入を支援することを示した。

関連論文リスト

• Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning [50.948271066372826]
  本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-06-20T17:58:17Z)
• Compositional Planning with Jumpy World Models [70.74595987225908]
  我々は、事前訓練されたポリシーを構成するエージェントを時間的に拡張したアクションとして研究し、構成員だけでは解決できない複雑なタスクに対する解決を可能にする。 arXiv:2206.08736で導入された幾何学的ポリシー構成フレームワークをモチベーションとして,多段階力学の予測モデルを学習することにより,これらの課題に対処する。
  論文  参考訳（メタデータ） (2026-02-23T09:22:21Z)
• Policy4OOD: A Knowledge-Guided World Model for Policy Intervention Simulation against the Opioid Overdose Crisis [22.203336225009778]
  オピオイドの流行はアメリカでも最も深刻な公衆衛生危機の1つだ。 我々は、どのような政策、エフェクトが現れるか、そしていつ効果が広がるかという3つの課題に対処する知識誘導型時間的世界モデルを提案する。 本研究では,空間的依存関係と構造的政策知識が予測精度を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-02-12T20:08:49Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  無線ネットワークにおける自己回帰的マルコフ音源のリアルタイムサンプリングと推定について検討する。 政策最適化のためのグラフィカル強化学習フレームワークを提案する。 理論的には、提案したポリシーは転送可能であり、あるグラフ上で訓練されたポリシーを構造的に類似したグラフに効果的に適用することができる。
  論文  参考訳（メタデータ） (2026-01-19T02:18:45Z)
• Coordinated Pandemic Control with Large Language Model Agents as Policymaking Assistants [51.26321657927398]
  本研究では,地域間で協調的かつ積極的なパンデミック制御を支援する多言語モデル (LLM) の多言語政策作成フレームワークを提案する。 実世界のデータ、パンデミックの進化シミュレータ、エージェント間の構造的コミュニケーションを統合することで、エージェントは反現実的な介入シナリオを共同で探索することができる。 実際のパンデミックの結果と比較すると、それぞれの州レベルで累積感染と死亡率を最大63.7%、死亡率40.1%まで下げる。
  論文  参考訳（メタデータ） (2026-01-14T07:59:44Z)
• Action Dependency Graphs for Globally Optimal Coordinated Reinforcement Learning [0.0]
  行動依存型個別政策は多エージェント強化学習におけるグローバルな最適性を達成するための有望なパラダイムとして浮上している。 本研究では、必ずしも自己回帰形式に従わない、より一般化された行動依存型ポリシーを考察する。 協調グラフによって構成されたMARL問題の文脈内では、疎ADGを用いた行動依存ポリシーがグローバルな最適性を達成することが証明される。
  論文  参考訳（メタデータ） (2025-06-01T02:58:20Z)
• Model-based Offline Reinforcement Learning with Local Misspecification [35.75701143290119]
  本稿では、モデルに基づくオフライン強化学習ポリシーの性能を低くし、動的モデルの誤特定と分布ミスマッチを明示的にキャプチャする。 最適なオフラインポリシー選択のための経験的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-26T21:26:56Z)
• Compartmental Models for COVID-19 and Control via Policy Interventions [0.0]
  確率型プログラミング言語(PPL)のツールキットを用いてSARS-CoV-2パンデミックの拡散を再現し予測する手法を実証する。 我々のゴールは、様々なモデリング仮定の影響を調査し、感染症の拡散を制限するために制定された政策介入を動機づけることである。 我々は疫学者ではない。この研究の唯一の目的は、新型コロナウイルスの政策決定が現実世界に与える影響を直接推測するのではなく、方法の展示として機能することである。
  論文  参考訳（メタデータ） (2022-03-06T02:50:54Z)

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。