論文の概要: EpiWorld: Grounding LLM Policy Agents in Epidemiological World Models
- arxiv url: http://arxiv.org/abs/2610.02744v1
- Date: Fri, 02 Oct 2026 03:16:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.194285
- Title: EpiWorld: Grounding LLM Policy Agents in Epidemiological World Models
- Title（参考訳）: 疫学世界モデルにおけるLDM政策エージェントの接地
- Abstract要約: EpiWorldは、学習された行動条件の疫学世界モデルでLLMを基盤とするクローズドループフレームワークである。
候補が介入すると、世界モデルは地域の疫病の進化を予測する。
我々は、振り返りCOVID-19とインフルエンザデータセットに関するワールドモデルとエンド・ツー・エンドの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）: 28.284425708859786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Epidemic intervention policies are textual artefacts that human decision-makers interpret, justify, and revise through natural language, making large language models a natural candidate for epidemic policy reasoning. A naive LLM, however, lacks the epidemic dynamics needed to project intervention consequences, the quantitative surveillance signals required to assess severity, and the institutional constraints that define admissible actions. We present EpiWorld, a closed-loop framework that grounds an LLM policy actor in a learned action-conditioned epidemiological world model and a tiered skill library of public-health protocols, surveillance tools, and adaptive lessons accumulated through after-action analysis. Given a candidate intervention, the world model predicts regional epidemic evolution and enables fast counterfactual rollouts that provide feedback for policy selection and refinement. Outcomes of simulated futures are distilled into reusable lessons while protocol constraints remain fixed, allowing the decision process to improve without sacrificing interpretability or controllability. We evaluate both the world model and the end-to-end framework on retrospective COVID-19 and Influenza datasets: the world model achieves the best out-of-distribution Peak-MAE among all forecasting baselines, and the closed-loop framework reduces cumulative hospitalisation by up to 59% across datasets and by an average of ~16% across six LLM backbones, outperforming reinforcement-learning and optimal-control policy baselines.
- Abstract（参考訳）: エピデミック介入政策(英: Epidemic intervention policy)とは、人間の意思決定者が自然言語を通じて解釈し、正当化し、修正するテキスト成果物である。
しかし、ナイーブLSMには、介入の結果を投影するために必要な流行のダイナミクス、重症度を評価するのに必要な定量的な監視信号、許容可能な行動を定義する制度的な制約が欠如している。
本研究では,LLM政策アクターを学習行動条件付疫学世界モデルに基礎を置くクローズドループフレームワークであるEpiWorldと,ポストアクション分析を通じて蓄積した公衆衛生プロトコル,監視ツール,適応的教訓の連携したスキルライブラリを提示する。
候補となる介入を前提として、世界モデルは地域流行の進展を予測し、政策選択と改善のためのフィードバックを提供する高速な対実的なロールアウトを可能にする。
予測可能性や可制御性を犠牲にすることなく、決定プロセスを改善することができる。
世界モデルはすべての予測ベースラインの中で最高のアウト・オブ・ディストリビューションPeak-MAEを達成し、クローズドループフレームワークはデータセット間で最大59%の累積入院率と、6つのLDMバックボーン間で平均16%の短縮を実現し、強化学習と最適制御ポリシーベースラインを上回ります。
関連論文リスト
- Toward World Models for Epidemiology [45.965729493797824]
我々は、計算疫学は世界モデルにとって自然で未発達の環境であると主張している。
本研究では,疫学世界モデルの概念的枠組みを導入し,疫病を制御された部分的に観察された動的システムとして定式化する。
政策関連推論に明示的な世界モデリングがなぜ必要かを示す3つのケーススタディを示す。
論文 参考訳（メタデータ） (2026-04-10T17:39:20Z) - 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) - Learning Pareto-Optimal Pandemic Intervention Policies with MORL [1.160208922584163]
本研究では,疾患拡散防止戦略をモデル化し,評価するための枠組みを開発する。
シミュレーションでは,全国規模のパンデミックのダイナミクスを再現し,他のモデルよりも桁違いに忠実に再現する。
この研究は、公衆衛生危機を緩和するための透明で証拠に基づく政策決定を支援する。
論文 参考訳（メタデータ） (2025-10-02T12:06:29Z) - EpiLLM: Unlocking the Potential of Large Language Models in Epidemic Forecasting [2.9557992468454533]
大規模言語モデル(LLM)は、ドメイン固有のタスクの基礎モデルとして有効であることを示した。
EpiLLMの最近の進歩は、現実世界のCOVID-19データセットの既存のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-05-19T05:53:25Z) - MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。
MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。
IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
論文 参考訳（メタデータ） (2025-04-30T12:41:51Z) - 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) - Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。
本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。
理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文 参考訳（メタデータ） (2022-01-31T20:58:47Z) - Reinforcement Learning for Optimization of COVID-19 Mitigation policies [29.4529156655747]
2020年は新型コロナウイルスの感染拡大が世界最悪の世界的なパンデミックの1つとなった。
世界中の政府は公衆衛生を保護し、経済を最大限に維持するという課題に直面している。
疫学モデルは、これらの病気の拡散に関する洞察を与え、介入政策の効果を予測する。
論文 参考訳（メタデータ） (2020-10-20T18:40:15Z) - Data-driven Simulation and Optimization for Covid-19 Exit Strategies [16.31545249131776]
コロナウイルスSARS-2の急速な普及は、世界中のほぼ全ての政府が悲劇に対応するために徹底的な対策を講じる大きな課題である。
我々は,疫学パラメータの深層学習推定を組み合わせたパンデミックシミュレーションと予測ツールキットを構築した。
論文 参考訳（メタデータ） (2020-06-12T11:18:25Z) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳（メタデータ） (2020-05-13T18:21:50Z)
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。