[논문 리뷰] Agentic Framework for Epidemiological Modeling

Rituparna Datta, Zihan Guan외 6명|arXiv (Cornell University)|2026. 01. 30.

COVID-19 epidemiological studies인용 수 0

한 줄 요약

EpiAgent는 자연어 시나리오 설명으로부터 흐름-그래프 중간 표현과 다중 에이전트 V&V를 사용해 역학 시뮬레이터를 자동으로 구성, 검증, 보정하여 정확하고 해석 가능한 반사실 예측을 가능하게 한다.

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.

연구 동기 및 목표

• 병원체, 정책, 시나리오가 진화함에 따라 확장 가능하고 적응 가능한 전염병 모델링의 필요성을 제시한다.
• 시나리오 설명으로부터 역학 시뮬레이터를 합성, 검증, 보정하는 에이전트 기반 파이프라인을 도입한다.
• 코드 생성 전에 구조적 정확성과 시나리오 충실성을 보장하기 위한 흐름-그래프 중간 표현을 제안한다.
• 역학적 유효성 및 해석 가능성을 보장하기 위해 다중 에이전트 검증 및 검증을 시연한다.
• 실제 COVID-19 시나리오 데이터로 EpiAgent를 평가하여 수렴성과 반사실 신뢰성이 향상됨을 보여준다.

제안 방법

• 시나리오 설명으로부터 역학 흐름 그래프를 생성하기 위한 검색 보강 합성(RAG)과 FAISS 및 문장-변환기 임베딩 사용.
• 유효한 구획 및 전이와 시나리오 일관성 검사를 포함하는 반복적 그래프 검증.
• 확정된 골격과 제약 가이드 프롬프로프트를 사용하여 검증된 흐름 그래프로부터 실행 가능한 시뮬레이터 코드를 LLM 기반 플래너가 인스턴스화한다.
• 관찰 데이터에 대한 그래디언트 기반 보정으로 레벨 적합도와 변화의 합을 갖는 손실 함수(MSE 및 1차 차이)를 사용.
• 다중 에이전트 검증 및 검증 모듈이 역학적 비음수성, 질량 보전, 단조성, 시나리오 타당성을 강제하고 실행 가능한 피드백 루프를 제공한다.

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

실험 결과

연구 질문

• RQ1 EpiAgent가 다양한 시나리오에 걸쳐 관측 데이터에 맞춰 전염역학 동역학을 보정할 수 있는가?
• RQ2 그래프 검증이 구조적으로 유효하지 않은 모델이 시뮬레이터로 전달되는 것을 방지하는가?
• RQ3 코드 수준의 검증이 열악하지만 역학적으로 무효한 해를 방지하는가?
• RQ4 시나리오 조건화된 모델이 일관되고 해석 가능한 반사실 투영을 생성하는가?
• RQ5 에이전트식 피드백이 수렴을 가속화하고 가이드되지 않은 생성과 비교해 모델 표현력을 향상시키는가?

주요 결과

모델	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

• EpiAgent는 서로 다른 시나리오에서 정확한 적합도를 달성하며, 시간 가변 매개변수가 단기 예측을 개선한다.
• 흐름 그래프 검증은 역학적으로 유효하지 않은 구조가 시뮬레이터로 전파되는 것을 방지한다(검증 없이 87%의 잘못된 투영).
• 외부 지식이나 흐름-그래프 중간 표현을 제거하면 오차와 구조적 문제 증가로 이어져 아키텍처의 중요성을 강조한다.
• 반사실 분석은 백신 접종 및 면역 탈출 가정 변화에 따른 감염 및 사망의 일관된 변화를 보여준다.
• 에이전트 피드백 사이클은 수렴을 가속하고 모델 표현력을 다듬어 전문가 모델링 워크플로우를 닮는다.
• 이 프레임워크는 표준 행동 역학 모델(DDB)을 인스턴스화하고 보정되며 불확실성을 고려한 예측을 산출할 수 있다.

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