論文の概要: KG-Rank: Enhancing Large Language Models for Medical QA with Knowledge
Graphs and Ranking Techniques
- arxiv url: http://arxiv.org/abs/2403.05881v1
- Date: Sat, 9 Mar 2024 11:23:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 11:49:25.747316
- Title: KG-Rank: Enhancing Large Language Models for Medical QA with Knowledge
Graphs and Ranking Techniques
- Title(参考訳): KG-Rank:知識グラフとランキング技術による医療QAのための大規模言語モデルの実現
- Authors: Rui Yang, Haoran Liu, Qingcheng Zeng, Yu He Ke, Wanxin Li, Lechao
Cheng, Qingyu Chen, James Caverlee, Yutaka Matsuo, Irene Li
- Abstract要約: KG-Rankは、医療領域における自由テキスト質問応答(QA)を改善するためのフレームワークである。
我々は医療用KGから三つ子を回収し、事実情報を収集する。
我々はこれらの三重項の順序を洗練させるためにランク付け手法を適用し、より正確な回答を得ることを目的としている。
- 参考スコア(独自算出の注目度): 41.90087763898745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large Language Models (LLMs) have significantly advanced healthcare
innovation on generation capabilities. However, their application in real
clinical settings is challenging due to potential deviations from medical facts
and inherent biases. In this work, we develop an augmented LLM framework,
KG-Rank, which leverages a medical knowledge graph (KG) with ranking and
re-ranking techniques, aiming to improve free-text question-answering (QA) in
the medical domain. Specifically, upon receiving a question, we initially
retrieve triplets from a medical KG to gather factual information.
Subsequently, we innovatively apply ranking methods to refine the ordering of
these triplets, aiming to yield more precise answers. To the best of our
knowledge, KG-Rank is the first application of ranking models combined with KG
in medical QA specifically for generating long answers. Evaluation of four
selected medical QA datasets shows that KG-Rank achieves an improvement of over
18% in the ROUGE-L score. Moreover, we extend KG-Rank to open domains, where it
realizes a 14% improvement in ROUGE-L, showing the effectiveness and potential
of KG-Rank.
- Abstract(参考訳): 大規模言語モデル(LLM)は、生成機能に対する医療革新が著しく進んでいる。
しかし、医学的事実や固有のバイアスから逸脱する可能性があるため、実際の臨床現場での応用は困難である。
本研究では,医学領域における自由文質問応答(QA)を改善することを目的として,医療知識グラフ(KG)をランク付けおよび再ランク付け技術に活用する拡張LDMフレームワークKG-Rankを開発する。
具体的には、質問を受信すると、まず医療用kgからトリプレットを取り出し、事実情報を集めます。
次に,これらの三重項の順序付けを洗練させる手法を革新的に適用し,より正確な解を求める。
我々の知る限りでは、KG-Rankは、医学的QAにおけるKGと組み合わせたランキングモデルの最初の応用である。
選択された4つの医療用qaデータセットの評価は、kg-rankがルージュ-lスコアで18%以上の改善を達成していることを示している。
さらに、KG-Rankをオープンドメインに拡張し、ROUGE-Lの14%の改善を実現し、KG-Rankの有効性と可能性を示す。
関連論文リスト
- Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [90.30473970040362]
我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成できる、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。
具体的には、LLMをKGを探索するエージェントとして扱うだけでなく、KGとして扱い、探索したサブグラフに基づいて新たな事実を生成する選択生成探索フレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-23T04:47:22Z) - Enhancing Large Language Models with Pseudo- and Multisource- Knowledge
Graphs for Open-ended Question Answering [23.88063210973303]
Pseudo-Graph GenerationとAtomic Knowledge Verificationを組み合わせたフレームワークを提案する。
ベースラインと比較して、オープンエンド質問に対するROUGE-Lスコアの11.5の最小改善が得られる。
論文 参考訳(メタデータ) (2024-02-15T12:20:02Z) - Retrieve-Rewrite-Answer: A KG-to-Text Enhanced LLMs Framework for
Knowledge Graph Question Answering [16.434098552925427]
本稿では,知識グラフ質問応答(KGQA)課題を解決するために,KG拡張言語モデルアプローチについて検討する。
そこで本研究では,KGの知識をテキスト化された文に変換する,応答に敏感なKG-to-Textアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-20T10:42:08Z) - A Review on Knowledge Graphs for Healthcare: Resources, Applications,
and Promises [53.48844796428081]
この研究は、医療知識グラフ(HKG)の最初の包括的なレビューを提供する。
HKG構築のためのパイプラインと重要なテクニックを要約し、一般的な利用方法も示す。
アプリケーションレベルでは、さまざまなヘルスドメインにわたるHKGの正常な統合を検討します。
論文 参考訳(メタデータ) (2023-06-07T21:51:56Z) - Knowledge Graphs Querying [4.548471481431569]
我々は、KGクエリのために開発された様々な学際的なトピックと概念を統一することを目的としている。
KGとクエリ埋め込み、マルチモーダルKG、KG-QAの最近の進歩は、ディープラーニング、IR、NLP、コンピュータビジョンドメインから来ている。
論文 参考訳(メタデータ) (2023-05-23T19:32:42Z) - Knowledge Graph Curation: A Practical Framework [0.0]
そこで本研究では,KGの品質向上のための知識グラフキュレーションフレームワークを提案する。
まず、KGsの状態を評価するための品質指標のセットを定義する。
次に, クリーニング作業としてKGの検証と検証を行う。
第3に,KGの濃縮のための重複検出と知識融合戦略を提案する。
論文 参考訳(メタデータ) (2022-08-17T07:55:28Z) - Collaborative Knowledge Graph Fusion by Exploiting the Open Corpus [59.20235923987045]
知識表現の質を維持しながら、新たに収穫した3倍の知識グラフを豊かにすることは困難である。
本稿では,付加コーパスから得られる情報を用いてKGを精製するシステムを提案する。
論文 参考訳(メタデータ) (2022-06-15T12:16:10Z) - Scientific Language Models for Biomedical Knowledge Base Completion: An
Empirical Study [62.376800537374024]
我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。
LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
論文 参考訳(メタデータ) (2021-06-17T17:55:33Z) - Identify, Align, and Integrate: Matching Knowledge Graphs to Commonsense
Reasoning Tasks [81.03233931066009]
与えられたタスクの目的に整合した知識グラフ(KG)を選択することは重要である。
候補者KGがタスクの推論のギャップを正しく識別し、正確に埋めることができるかを評価するアプローチを示す。
このkg-to-taskマッチングを,知識-タスク識別,知識-タスクアライメント,知識-タスク統合という3つのフェーズで示す。
論文 参考訳(メタデータ) (2021-04-20T18:23:45Z)
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。