[論文レビュー] Agentic Framework for Epidemiological Modeling

Rituparna Datta, Zihan Guan+6 more|arXiv (Cornell University)|Jan 30, 2026

COVID-19 epidemiological studies被引用数 0

ひとこと要約

EpiAgent は自然言語の Scenario 描述から疫学的シミュレータを自動的に構築・検証・校正し、フローグラフの中間表現と多エージェント V&V を用いて、正確で解釈可能な反事実予測を実現する。

ABSTRACT

Epidemic modeling is essential for public health planning, yet traditional approaches rely on fixed model classes that require manual redesign as pathogens, policies, and scenario assumptions evolve. We introduce EPIAGENT, an agentic framework that automatically synthesizes, calibrates, verifies, and refines epidemiological simulators by modeling disease progression as an iterative program synthesis problem. A central design choice is an explicit epidemiological flow graph intermediate representation that links scenario specifications to model structure and enables strong, modular correctness checks before code is generated. Verified flow graphs are then compiled into mechanistic models supporting interpretable parameter learning under physical and epidemiological constraints. Evaluation on epidemiological scenario case studies demonstrates that EPIAGENT captures complex growth dynamics and produces epidemiologically consistent counterfactual projections across varying vaccination and immune escape assumptions. Our results show that the agentic feedback loop prevents degeneration and significantly accelerates convergence toward valid models by mimicking professional expert workflows.

研究の動機と目的

• 病原体、政策、シナリオが進化する中で、拡張性があり適応的な流行病モデルの必要性を動機づける。
• Scenario の説明から疫学的シミュレータを合成・検証・校正するエージェント型パイプラインを導入する。
• コード生成前の構造的正確性とシナリオ忠実性を保証するためのフローグラフ中間表現を提案する。
• 疫学的妥当性と解釈可能性を確保する多エージェント検証と検証を実証する。
• 実データの COVID-19 シナリオで EpiAgent を評価し、収束性と反事実信頼性の改善を示す。

提案手法

• Scenario 説明から疫学的フローグラフを生成する取得拡張型合成（RAG）を FAISS と文変換器埋め込みで実行する。
• 有効な区分と遷移、シナリオ整合性チェックを含む反復的なグラフ検証。
• 検証済みフローグラフを用いて固定のスケルトンと制約誘導プロンプトで実行可能なシミュレータコードを LLM ベースのプランナーが展開する。
• レベル適合と変化の損失を組み合わせた（レベルの MSE と一階差分の MSE）観測データに対するシミュレータパラメータの勾配ベース校正。
• 友好的なフィードバックループを伴う多エージェント検証・検証モジュールが、疫学的非負性、質量保存、単調性、シナリオ妥当性を強制し、実務的なフィードバックを提供する。

Figure 1 : Data flow in EpiAgent has the following structure: Prompt $\;\leftrightarrow\;$ Flow Graph $\;\rightarrow\;$ Simulator Code $\;\rightarrow\;$ Results . The flow graph is an abstract representation of the epidemic model being learned, and supports easier verification. The flow graph is the

実験結果

リサーチクエスチョン

• RQ1 EpiAgent は多様なシナリオに対して流行動力学を観測データに適合させられるか。
• RQ2 グラフ検証は構造的に無効なモデルがシミュレータへ伝搬するのを防げるか。
• RQ3 コードレベルの検証は退化的で低損失だが疫学的に無効な解を防げるか。
• RQ4 シナリオ条件付きモデルは整合的で解釈可能な反事実予測を生み出せるか。
• RQ5 エージェント的フィードバックは収束を速め、導かれない生成と比較してモデル表現力を向上させるか。

主な発見

モデル	MAE	MSE	RMSE
State-avg Time-invariant dynamical	3.84e-3	3.10e-5	5.50e-3
State-avg Time-variant (β_t, γ_t)	8.90e-4	1.30e-6	1.10e-3
Neural-incorporated	6.27e-4	7.50e-7	8.00e-4
Nationwide Time-invariant dynamical	2.12e-1	9.57e-2	3.09e-1
Nationwide Time-variant (β_t, γ_t)	4.26e-2	2.53e-3	5.03e-2
Neural-incorporated	2.22e-2	7.13e-4	2.67e-2

• EpiAgent はシナリオ間で正確な適合を達成し、時変パラメータが短期予測を改善する。
• フローグラフ検証は疫学的に無効な構造がシミュレータへ伝搬するのを防ぐ（検証なしでは無効な予測が 87% 発生）。
• 外部知識やフローグラフ中間表現を排除すると誤差と構造的問題が増え、アーキテクチャの重要性を強調する。
• 反事実分析はワクチン接種や免疫回避仮定の変更とともに感染・死亡の coheret なシフトを示す。
• エージェント的フィードバック循環は収束を速め、モデルの表現力を洗練させ、専門家のモデリングワークフローに近い挙動を示す。
• このフレームワークは標準的な行動疫学モデル（DDB）を実体化し、校正済みの不確実性を考慮した予測を生成できる。

Figure 2 : Agentic pipeline for epidemic scenario modeling and ensemble simulation. Natural-language scenarios are augmented with domain knowledge (§ 4.1 ), to produce prompts that guide flow-graph synthesis (§ 4.2 ). Generated graphs are iteratively verified to enforce valid compartmental structure