Fugu-MT 論文翻訳(概要): Medical Graph RAG: Towards Safe Medical Large Language Model via Graph Retrieval-Augmented Generation

論文の概要: Medical Graph RAG: Towards Safe Medical Large Language Model via Graph Retrieval-Augmented Generation

arxiv url: http://arxiv.org/abs/2408.04187v1
Date: Thu, 8 Aug 2024 03:11:12 GMT
ステータス: 処理完了
システム内更新日: 2024-08-09 16:50:38.480306
Title: Medical Graph RAG: Towards Safe Medical Large Language Model via Graph Retrieval-Augmented Generation
Title（参考訳）: 医用グラフRAG:グラフ検索拡張生成による安全な医療用大言語モデルを目指して
Authors: Junde Wu, Jiayuan Zhu, Yunli Qi,
Abstract要約: 医用領域に特化して設計された新しいグラフベースの検索型生成(RAG)フレームワークを提案する。私たちのパイプラインは、ドキュメントチャンキングのためのハイブリッドな静的セマンティックアプローチから始まり、コンテキストキャプチャを大幅に改善します。本手法は,文書チャンキング,グラフ構築,情報検索の様々な手法を比較した総合的アブレーション研究により検証された。
参考スコア（独自算出の注目度）: 4.911843298581903
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a novel graph-based Retrieval-Augmented Generation (RAG) framework specifically designed for the medical domain, called \textbf{MedGraphRAG}, aimed at enhancing Large Language Model (LLM) capabilities and generating evidence-based results, thereby improving safety and reliability when handling private medical data. Our comprehensive pipeline begins with a hybrid static-semantic approach to document chunking, significantly improving context capture over traditional methods. Extracted entities are used to create a three-tier hierarchical graph structure, linking entities to foundational medical knowledge sourced from medical papers and dictionaries. These entities are then interconnected to form meta-graphs, which are merged based on semantic similarities to develop a comprehensive global graph. This structure supports precise information retrieval and response generation. The retrieval process employs a U-retrieve method to balance global awareness and indexing efficiency of the LLM. Our approach is validated through a comprehensive ablation study comparing various methods for document chunking, graph construction, and information retrieval. The results not only demonstrate that our hierarchical graph construction method consistently outperforms state-of-the-art models on multiple medical Q\&A benchmarks, but also confirms that the responses generated include source documentation, significantly enhancing the reliability of medical LLMs in practical applications. Code will be at: https://github.com/MedicineToken/Medical-Graph-RAG/tree/main
Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)の能力向上とエビデンスに基づく結果の生成を目的とした,医用領域に特化して設計された新規なグラフベース検索型RAG(Retrieval-Augmented Generation)フレームワークを提案する。私たちの包括的なパイプラインは、ドキュメントチャンキングのためのハイブリッドな静的セマンティックアプローチから始まり、従来のメソッドよりもコンテキストキャプチャを大幅に改善します。抽出されたエンティティは、3階層の階層的なグラフ構造を作成するために使用され、エンティティを医療論文や辞書から得られた基礎的な医療知識にリンクする。これらのエンティティは相互接続されてメタグラフを形成し、セマンティックな類似性に基づいてマージされ、包括的なグローバルグラフが開発される。この構造は正確な情報検索と応答生成をサポートする。検索プロセスは、LLMのグローバルな認識と索引付け効率のバランスをとるためにU-retrieve方式を用いる。本手法は,文書チャンキング,グラフ構築,情報検索の様々な手法を比較した総合的アブレーション研究により検証された。その結果、階層的なグラフ構築法は、複数の医療用Q\&Aベンチマークにおける最先端モデルよりも一貫して優れており、また、生成した応答にはソースドキュメンテーションが含まれており、医療用LCMの信頼性が著しく向上していることが確認された。コードは次のようになる。 https://github.com/MedicineToken/Medical-Graph-RAG/tree/main

関連論文リスト

Adaptive Knowledge Graphs Enhance Medical Question Answering: Bridging the Gap Between LLMs and Evolving Medical Knowledge [6.977177904883792]
AMG-RAGは、医療知識グラフの構築と継続的な更新を自動化する包括的なフレームワークである。推論を統合し、PubMedやWikiSearchといった現在の外部証拠を検索する。 MEDQAのF1スコアは74.1%、MEDMCQAの精度は66.34パーセントで、同等のモデルと10倍から100倍のモデルの両方を上回っている。
論文参考訳（メタデータ） (2025-02-18T16:29:45Z)
GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation [84.41557981816077]
本稿では,新しいグラフ基盤モデル (GFM) である GFM-RAG について紹介する。 GFM-RAGは、複雑なクエリ-知識関係をキャプチャするグラフ構造を理由とする、革新的なグラフニューラルネットワークによって実現されている。効率とニューラルスケーリング法則との整合性を維持しつつ、最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-02-03T07:04:29Z)
CG-RAG: Research Question Answering by Citation Graph Retrieval-Augmented LLMs [9.718354494802002]
CG-RAG(Contextualized Graph Retrieval-Augmented Generation)は、グラフ構造に疎密な検索信号を統合する新しいフレームワークである。まず、引用グラフの文脈グラフ表現を提案し、文書内および文書間の明示的および暗黙的な接続を効果的にキャプチャする。次にLexical-Semantic Graph Retrieval(LeSeGR)を提案する。第3に,検索したグラフ構造化情報を利用した文脈認識生成手法を提案する。
論文参考訳（メタデータ） (2025-01-25T04:18:08Z)
Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
論文参考訳（メタデータ） (2024-12-31T06:59:35Z)
Graph Retrieval-Augmented Generation: A Survey [28.979898837538958]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の課題に再トレーニングを必要とせずに対処することに成功した。本稿では,GraphRAGの方法論について概観する。 Graph-Based Indexing、Graph-Guided Retrieval、Graph-Enhanced Generationを含むGraphRAGワークフローを形式化する。
論文参考訳（メタデータ） (2024-08-15T12:20:24Z)
RULE: Reliable Multimodal RAG for Factuality in Medical Vision Language Models [35.60385437194243]
現在の医療用大規模視覚言語モデル(Med-LVLM)は、しばしば現実の問題に遭遇する。外部知識を利用するRAGは、これらのモデルの現実的精度を向上させることができるが、2つの大きな課題を提起する。本稿では,2つのコンポーネントからなるRULEを提案する。まず,検索したコンテキストの選択を通じて事実性リスクを制御するための有効な戦略を提案する。次に、検索したコンテキストへの過度な依存がエラーを引き起こしたサンプルに基づいて、選好データセットをキュレートしてモデルを微調整する。
論文参考訳（メタデータ） (2024-07-06T16:45:07Z)
G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
論文参考訳（メタデータ） (2024-02-12T13:13:04Z)
Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。詳しくは、グラフの基本構造は一般知識から事前構築される。各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文参考訳（メタデータ） (2023-03-18T03:53:43Z)
An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
論文参考訳（メタデータ） (2022-06-01T09:59:09Z)
Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
論文参考訳（メタデータ） (2020-02-03T15:47:19Z)

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。