論文の概要: Enhancing Healthcare Recommendation Systems with a Multimodal LLMs-based MOE Architecture
- arxiv url: http://arxiv.org/abs/2412.11557v1
- Date: Mon, 16 Dec 2024 08:42:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:53:57.137941
- Title: Enhancing Healthcare Recommendation Systems with a Multimodal LLMs-based MOE Architecture
- Title（参考訳）: マルチモーダルLCMを用いたMOEアーキテクチャによる医療勧告システムの強化
- Authors: Jingyu Xu, Yang Wang,
- Abstract要約: 患者の説明に基づいて健康食品を推奨するための小さなデータセットを構築した。
我々は,精度,リコール,NDCG,MAP@5など,いくつかの重要な指標を用いてモデルの性能を評価する。
本稿では,パーソナライズされたレコメンデーションシステムの性能を比較的限定的に改善した画像データを見出した。
- 参考スコア（独自算出の注目度）: 4.429093762434193
- License:
- Abstract: With the increasing availability of multimodal data, many fields urgently require advanced architectures capable of effectively integrating these diverse data sources to address specific problems. This study proposes a hybrid recommendation model that combines the Mixture of Experts (MOE) framework with large language models to enhance the performance of recommendation systems in the healthcare domain. We built a small dataset for recommending healthy food based on patient descriptions and evaluated the model's performance on several key metrics, including Precision, Recall, NDCG, and MAP@5. The experimental results show that the hybrid model outperforms the baseline models, which use MOE or large language models individually, in terms of both accuracy and personalized recommendation effectiveness. The paper finds image data provided relatively limited improvement in the performance of the personalized recommendation system, particularly in addressing the cold start problem. Then, the issue of reclassification of images also affected the recommendation results, especially when dealing with low-quality images or changes in the appearance of items, leading to suboptimal performance. The findings provide valuable insights into the development of powerful, scalable, and high-performance recommendation systems, advancing the application of personalized recommendation technologies in real-world domains such as healthcare.
- Abstract（参考訳）: マルチモーダルデータの可用性が向上するにつれて、多くの分野において、特定の問題に対処するためにこれらの多様なデータソースを効果的に統合できる高度なアーキテクチャが緊急に必要となる。
本研究では,Mixture of Experts(MOE)フレームワークと大規模言語モデルを組み合わせたハイブリッドレコメンデーションモデルを提案する。
患者の説明に基づいて健康食品を推奨する小さなデータセットを構築し,Precision, Recall, NDCG, MAP@5など,いくつかの重要な指標でモデルの性能を評価した。
実験結果から,MOEモデルや大規模言語モデルを個別に使用するベースラインモデルでは,精度とパーソナライズされたレコメンデーションの有効性の両面から,ハイブリッドモデルの方が優れていることが示された。
本論文は, パーソナライズされたレコメンデーションシステムの性能, 特にコールドスタート問題に対処する上で, 比較的限られた改善を施した画像データを見出した。
また,画像の再分類の問題も推奨結果に影響を及ぼし,特に品質の低い画像を扱う場合や,商品の出現状況が変化した場合は,準最適性能がもたらされる。
この発見は、強力でスケーラブルで高性能なレコメンデーションシステムの開発に関する貴重な洞察を与え、ヘルスケアのような現実の領域におけるパーソナライズされたレコメンデーション技術の適用を促進した。
関連論文リスト
- Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。
分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。
BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2024-09-21T18:39:53Z) - MMEvol: Empowering Multimodal Large Language Models with Evol-Instruct [148.39859547619156]
我々は,新しいマルチモーダル命令データ進化フレームワークであるMMEvolを提案する。
MMEvolは、きめ細かい知覚、認知的推論、相互作用の進化の洗練された組み合わせによって、データ品質を反復的に改善する。
提案手法は,9つのタスクにおいて,最先端モデルに比べて有意に少ない精度でSOTA(State-of-the-art)性能を実現する。
論文 参考訳（メタデータ） (2024-09-09T17:44:00Z) - MMREC: LLM Based Multi-Modal Recommender System [2.3113916776957635]
本稿では,Large Language Models(LLM)とディープラーニング技術を活用して,レコメンデータシステムを強化する新しい手法を提案する。
提案フレームワークは,マルチモーダル情報処理を取り入れたレコメンデーションの精度と妥当性を,統一された潜在空間表現を用いて向上することを目的としている。
論文 参考訳（メタデータ） (2024-08-08T04:31:29Z) - CollectiveSFT: Scaling Large Language Models for Chinese Medical Benchmark with Collective Instructions in Healthcare [12.218718086529462]
本研究は中国における総合医療ベンチマーク(CMB)に焦点を当てる。
私たちは、より大きなモデルに匹敵するスコアを得るために、より小さなベースモデルをトレーニングしました。
幅広い指導内容を統合することで,データ品質の不整合などの潜在的な問題に対処する。
論文 参考訳（メタデータ） (2024-07-29T05:00:48Z) - SynerGraph: An Integrated Graph Convolution Network for Multimodal Recommendation [1.3812010983144802]
本稿では,マルチモーダルデータの統合と浄化に焦点をあてた,マルチモーダルレコメンデーションシステムに対する新しいアプローチを提案する。
各種データからノイズを除去するフィルタを開発し,提案手法の信頼性を高めた。
我々は、各データセットに対するトップKスパリフィケーションの影響を調査し、不適合と過適合のバランスをとる最適な値を発見した。
論文 参考訳（メタデータ） (2024-05-29T12:18:32Z) - Rethinking Model Prototyping through the MedMNIST+ Dataset Collection [0.11999555634662634]
本研究は,MedMNIST+データベースに対する評価環境の多様化のためのベンチマークを示す。
我々は、医用画像分類のための共通畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースのアーキテクチャを徹底的に分析する。
この結果から,計算効率のよいトレーニングスキームと最新の基礎モデルは,高額なエンドツーエンドトレーニングとリソース強化アプローチのギャップを埋める上で有望であることが示唆された。
論文 参考訳（メタデータ） (2024-04-24T10:19:25Z) - Mirror Gradient: Towards Robust Multimodal Recommender Systems via
Exploring Flat Local Minima [54.06000767038741]
フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。
我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。
提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
論文 参考訳（メタデータ） (2024-02-17T12:27:30Z) - Automated Fusion of Multimodal Electronic Health Records for Better
Medical Predictions [48.0590120095748]
本稿では,多様な入力モダリティと融合戦略を符号化する最適なモデルアーキテクチャを自動検索する,AutoFMという新しいニューラルネットワーク探索フレームワークを提案する。
我々は実世界のマルチモーダルEHRデータと予測タスクについて徹底的な実験を行い、その結果、我々のフレームワークが既存の最先端手法よりも大幅な性能向上を実現していることを示す。
論文 参考訳（メタデータ） (2024-01-20T15:14:14Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - RGRecSys: A Toolkit for Robustness Evaluation of Recommender Systems [100.54655931138444]
複数の次元を包含するレコメンダシステムに対して,ロバスト性に関するより包括的視点を提案する。
本稿では、RecSys用のロバストネス評価ツールキットRobustness Gymを紹介し、リコメンダシステムモデルのロバストネスを迅速かつ均一に評価できるようにする。
論文 参考訳（メタデータ） (2022-01-12T10:32:53Z) - MultiHead MultiModal Deep Interest Recommendation Network [0.0]
本稿ではDINciteAuthors01モデルにマルチヘッドおよびマルチモーダルモジュールを追加する。
実験により、マルチヘッドマルチモーダルDINは推奨予測効果を向上し、様々な包括的指標において最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-10-19T18:59:02Z)
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。