論文の概要: PASS: Probabilistic Agentic Supernet Sampling for Interpretable and Adaptive Chest X-Ray Reasoning

• arxiv url: http://arxiv.org/abs/2508.10501v2
• Date: Fri, 15 Aug 2025 01:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 12:50:03.12938
• Title: PASS: Probabilistic Agentic Supernet Sampling for Interpretable and Adaptive Chest X-Ray Reasoning
• Title（参考訳）: PASS: 解釈可能で適応的な胸部X線共鳴のための確率的エージェント・スーパーネットサンプリング
• Authors: Yushi Feng, Junye Du, Yingying Hong, Qifan Wang, Lequan Yu,
• Abstract要約: PASS(Probabilistic Agentic Supernet Smpling)は、Chest X-Ray(CXR)推論の文脈でこれらの課題に対処する最初のマルチモーダルフレームワークである。 PASSは、マルチツールグラフ上でエージェントを適応的にサンプリングし、解釈可能な確率でアノテートされた決定経路を生成する。
• 参考スコア（独自算出の注目度）: 31.42306351491176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing tool-augmented agentic systems are limited in the real world by (i) black-box reasoning steps that undermine trust of decision-making and pose safety risks, (ii) poor multimodal integration, which is inherently critical for healthcare tasks, and (iii) rigid and computationally inefficient agentic pipelines. We introduce PASS (Probabilistic Agentic Supernet Sampling), the first multimodal framework to address these challenges in the context of Chest X-Ray (CXR) reasoning. PASS adaptively samples agentic workflows over a multi-tool graph, yielding decision paths annotated with interpretable probabilities. Given the complex CXR reasoning task with multimodal medical data, PASS leverages its learned task-conditioned distribution over the agentic supernet. Thus, it adaptively selects the most suitable tool at each supernet layer, offering probability-annotated trajectories for post-hoc audits and directly enhancing medical AI safety. PASS also continuously compresses salient findings into an evolving personalized memory, while dynamically deciding whether to deepen its reasoning path or invoke an early exit for efficiency. To optimize a Pareto frontier balancing performance and cost, we design a novel three-stage training procedure, including expert knowledge warm-up, contrastive path-ranking, and cost-aware reinforcement learning. To facilitate rigorous evaluation, we introduce CAB-E, a comprehensive benchmark for multi-step, safety-critical, free-form CXR reasoning. Experiments across various benchmarks validate that PASS significantly outperforms strong baselines in multiple metrics (e.g., accuracy, AUC, LLM-J.) while balancing computational costs, pushing a new paradigm shift towards interpretable, adaptive, and multimodal medical agentic systems.
• Abstract（参考訳）: 既存のツール強化エージェントシステムは現実世界で制限される 一 意思決定の信頼を損ね、安全リスクを生じさせるブラックボックス推論のステップ (二)医療業務に本質的に欠かせないマルチモーダル統合 (iii)剛性と計算上の非効率なエージェントパイプライン。 本稿では,これらの課題に対処する最初のマルチモーダルフレームワークであるPASS(Probabilistic Agentic Supernet Smpling)を紹介する。 PASSはマルチツールグラフ上でエージェントワークフローを適応的にサンプリングし、解釈可能な確率でアノテートされた決定パスを生成する。 マルチモーダル医療データを用いた複雑なCXR推論タスクを考えると、PASSはエージェントスーパーネット上での学習されたタスク条件分布を利用する。 これにより、各スーパーネット層で最適なツールを適応的に選択し、ポストホック監査のための確率アノテートされた軌道を提供し、医療AIの安全性を直接強化する。 PASSはまた、健全な結果を進化するパーソナライズドメモリに継続的に圧縮し、推論経路を深くするか、あるいは早期出口を効率よく呼び出すかを動的に決定する。 パレートのフロンティアバランス性能とコストを最適化するために、エキスパート知識ウォームアップ、コントラストパスグレード、コスト認識強化学習を含む、新しい3段階のトレーニング手順を設計する。 厳密な評価を容易にするため,マルチステップ,安全クリティカル,自由形式のCXR推論のための総合ベンチマークであるCAB-Eを導入する。 様々なベンチマーク実験により、PASSは計算コストのバランスを保ちながら、複数の指標(例えば、精度、AUC、LLM-J.)において強力なベースラインを著しく上回り、解釈可能、適応的、マルチモーダルな医療エージェントシステムへの新たなパラダイムシフトを推し進めている。

関連論文リスト

• KAT-V1: Kwai-AutoThink Technical Report [50.84483585850113]
  Kwaipilot-AutoThink (KAT) はオープンソースの40B大言語モデルであり、推論集約タスクにおける過大な問題に対処するために開発された。 KATはタスクの複雑さに基づいて推論モードと非推論モードを動的に切り替える。 また、GRPOフレームワークに中間管理を組み込んだ強化学習アルゴリズムであるStep-SRPOを提案する。
  論文  参考訳（メタデータ） (2025-07-11T04:07:10Z)
• Q-STAC: Q-Guided Stein Variational Model Predictive Actor-Critic [12.837649598521102]
  本稿では,連続制御タスクのためのQ-guided STein variational model predictive Actor-Critic (Q-STAC)フレームワークを提案する。 本手法では,学習したQ値を直接目的とする制御シーケンスを最適化し,明示的なコスト関数設計の必要性を解消する。 2次元ナビゲーションとロボット操作タスクの実験は、Q-STACが最先端のアルゴリズムと比較して優れたサンプリング効率、堅牢性、最適性を達成することを示した。
  論文  参考訳（メタデータ） (2025-07-09T07:53:53Z)
• Efficient Beam Selection for ISAC in Cell-Free Massive MIMO via Digital Twin-Assisted Deep Reinforcement Learning [37.540612510652174]
  我々は、誤報率制約の下で複数の受信APに対して共同目標検出確率の分布を導出する。 次に、マルコフ決定過程(MDP)としてビーム選択手順を定式化する。 リアルタイムエージェント環境相互作用の高コスト化とそれに伴うリスクを解消するために,新しいディジタルツイン(DT)支援オフラインDRL手法を提案する。
  論文  参考訳（メタデータ） (2025-06-23T12:17:57Z)
• Truth in the Few: High-Value Data Selection for Efficient Multi-Modal Reasoning [71.3533541927459]
  アクティベーション推論ポテンシャル(RAP)と呼ばれる新しいデータ選択パラダイムを提案する。 RAPは、真のマルチモーダル推論を刺激する各サンプルのポテンシャルを推定することで、認知サンプルを識別する。 我々のRAP法は、トレーニングデータの9.3%しか使用せず、計算コストを43%以上削減しながら、常に優れた性能を実現している。
  論文  参考訳（メタデータ） (2025-06-05T08:40:24Z)
• RBF++: Quantifying and Optimizing Reasoning Boundaries across Measurable and Unmeasurable Capabilities for Chain-of-Thought Reasoning [60.84707424369494]
  CoT(Chain-of-Thought)推論は、複雑なタスクにおける大規模言語モデル(LLM)の強化に有効であることが証明されている。 CoT 機能の計測可能なバウンダリの評価と最適化を行うフレームワークである Reasoning Boundary Framework++ (RBF++) を紹介する。
  論文  参考訳（メタデータ） (2025-05-19T16:25:55Z)
• Flow-of-Action: SOP Enhanced LLM-Based Multi-Agent System for Root Cause Analysis [19.357332854860665]
  大規模言語モデル(LLM)をルート原因分析(RCA)の自動化エージェントとして活用する現代的傾向 本稿では,SOP拡張マルチエージェントシステムであるFlow-of-Actionを提案する。 ReAct法を35.50%精度で比較すると,実システムにおけるRCAの精度要件を満たしたフロー・オブ・アクション法は64.01%となる。
  論文  参考訳（メタデータ） (2025-02-12T09:07:25Z)
• CoPS: Empowering LLM Agents with Provable Cross-Task Experience Sharing [70.25689961697523]
  クロスタスク体験の共有と選択によるシーケンシャル推論を強化する一般化可能なアルゴリズムを提案する。 我々の研究は、既存のシーケンシャルな推論パラダイムのギャップを埋め、タスク間体験の活用の有効性を検証する。
  論文  参考訳（メタデータ） (2024-10-22T03:59:53Z)
• Derailer-Rerailer: Adaptive Verification for Efficient and Reliable Language Model Reasoning [11.765298236504155]
  Derailer-Rerailerは推論精度と計算効率のバランスをとる新しいフレームワークである。 提案手法は,従来の検証手法に比べて2～3倍の効率を維持しつつ,大幅な精度向上(8～11%)を実現している。
  論文  参考訳（メタデータ） (2024-08-25T21:20:17Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• An Information Bottleneck Approach for Controlling Conciseness in Rationale Extraction [84.49035467829819]
  我々は,情報ボトルネック(IB)の目的を最適化することで,このトレードオフをよりよく管理できることを示す。 我々の完全教師なしのアプローチは、文上のスパース二項マスクを予測する説明器と、抽出された合理性のみを考慮したエンドタスク予測器を共同で学習する。
  論文  参考訳（メタデータ） (2020-05-01T23:26:41Z)

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。