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/2403.05881v3
• Date: Thu, 4 Jul 2024 07:45:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 23:33:46.566581
• 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, Edison Marrese-Taylor, Qingcheng Zeng, Yu He Ke, Wanxin Li, Lechao Cheng, Qingyu Chen, James Caverlee, Yutaka Matsuo, Irene Li,
• Abstract要約: KG-Rankは、医療領域における長文質問応答(QA)の事実性を改善するためのフレームワークである。 質問を受けると、KG-Rankは質問内の医療エンティティを自動的に識別し、関連するトリプルを検索する。 KG-RankはKGの最初の応用であり、医学的QAのランキングモデルと組み合わせて長い回答を生成する。
• 参考スコア（独自算出の注目度）: 40.700477319435706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have demonstrated impressive generative capabilities with the potential to innovate in medicine. However, the application of LLMs in real clinical settings remains challenging due to the lack of factual consistency in the generated content. In this work, we develop an augmented LLM framework, KG-Rank, which leverages a medical knowledge graph (KG) along with ranking and re-ranking techniques, to improve the factuality of long-form question answering (QA) in the medical domain. Specifically, when receiving a question, KG-Rank automatically identifies medical entities within the question and retrieves the related triples from the medical KG to gather factual information. Subsequently, KG-Rank innovatively applies multiple ranking techniques to refine the ordering of these triples, providing more relevant and precise information for LLM inference. To the best of our knowledge, KG-Rank is the first application of KG combined with ranking models in medical QA specifically for generating long answers. Evaluation on four selected medical QA datasets demonstrates that KG-Rank achieves an improvement of over 18% in ROUGE-L score. Additionally, we extend KG-Rank to open domains, including law, business, music, and history, where it realizes a 14% improvement in ROUGE-L score, indicating the effectiveness and great potential of KG-Rank.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、医学の革新の可能性を持つ、印象的な生成能力を実証している。 しかし, 実際の臨床環境におけるLCMの応用は, 生成したコンテンツの現実的な一貫性が欠如しているため, 依然として困難である。 本研究では,医学領域における長文質問応答(QA)の現実性を改善するために,医療知識グラフ(KG)とランク付けと再ランク付け技術を活用した拡張LDMフレームワークKG-Rankを開発する。 具体的には、質問を受けると、KG-Rankは、質問内の医療エンティティを自動的に識別し、関連する3つのトリプルを医療KGから検索して、事実情報を収集する。 その後、KG-Rankは、これらのトリプルの順序付けを洗練するために、革新的に複数のランク付け手法を適用し、LLM推論により関連性があり正確な情報を提供する。 我々の知る限りでは、KG-RankはKGと医学QAのランキングモデルを組み合わせた最初の応用であり、特に長い回答を生み出す。 KG-RankがROUGE-Lスコアで18%以上向上したことを示す。 さらに、KG-Rankを、法律、ビジネス、音楽、歴史を含むオープンドメインに拡張し、ROUGE-Lスコアの14%の改善を実現し、KG-Rankの有効性と大きな可能性を示している。

関連論文リスト

• Decoding on Graphs: Faithful and Sound Reasoning on Knowledge Graphs through Generation of Well-Formed Chains [66.55612528039894]
  知識グラフ(KG)は質問応答(QA)のための信頼できる知識ソースとして機能する。 我々は、LLMとKGの深い相乗効果を促進する新しいフレームワークであるDoG(Decoding on Graphs)を提案する。 様々なKGQAタスクに対して異なるバックグラウンドKGを用いた実験により、DoGが優れた、堅牢なパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-24T04:01:40Z)
• Learning Rules from KGs Guided by Language Models [48.858741745144044]
  ルール学習手法は、潜在的に欠落する事実を予測するために適用することができる。 規則のランク付けは、高度に不完全あるいは偏りのあるKGよりも特に難しい。 近年のLanguage Models (LM) の台頭により、いくつかの研究が、LMがKG補完の代替手段として利用できると主張している。
  論文  参考訳（メタデータ） (2024-09-12T09:27:36Z)
• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  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する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  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 [52.31710895034573]
  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)
• 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)

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。