論文の概要: Graph-based LLM over Semi-Structured Population Data for Dynamic Policy Response
- arxiv url: http://arxiv.org/abs/2510.05196v1
- Date: Mon, 06 Oct 2025 16:10:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-08 17:57:07.908451
- Title: Graph-based LLM over Semi-Structured Population Data for Dynamic Policy Response
- Title（参考訳）: 動的ポリシー応答のための半構造化人口データ上のグラフベースLCM
- Authors: Daqian Shi, Xiaolei Diao, Jinge Wu, Honghan Wu, Xiongfeng Tang, Felix Naughton, Paulina Bondaronek,
- Abstract要約: 新型コロナウイルスのパンデミックなど公衆衛生上の緊急事態において、人口レベルのデータのタイムリーかつ正確な分析は効果的な意思決定に不可欠である。
構造化された人口統計情報や非構造化された人間のフィードバックを含む半構造化データの大規模な入力は、従来の分析手法に重大な課題をもたらす。
本稿では,大規模言語モデルと構造化された人口統計属性と,弱教師付きパイプラインにおける非構造化的なパブリックフィードバックを統合したグラフベースの推論フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 13.410706647320088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Timely and accurate analysis of population-level data is crucial for effective decision-making during public health emergencies such as the COVID-19 pandemic. However, the massive input of semi-structured data, including structured demographic information and unstructured human feedback, poses significant challenges to conventional analysis methods. Manual expert-driven assessments, though accurate, are inefficient, while standard NLP pipelines often require large task-specific labeled datasets and struggle with generalization across diverse domains. To address these challenges, we propose a novel graph-based reasoning framework that integrates large language models with structured demographic attributes and unstructured public feedback in a weakly supervised pipeline. The proposed approach dynamically models evolving citizen needs into a need-aware graph, enabling population-specific analyses based on key features such as age, gender, and the Index of Multiple Deprivation. It generates interpretable insights to inform responsive health policy decision-making. We test our method using a real-world dataset, and preliminary experimental results demonstrate its feasibility. This approach offers a scalable solution for intelligent population health monitoring in resource-constrained clinical and governmental settings.
- Abstract（参考訳）: 新型コロナウイルスのパンデミックなど公衆衛生上の緊急事態において、人口レベルのデータのタイムリーかつ正確な分析が効果的な意思決定に不可欠である。
しかし、構造化された人口統計情報や非構造化された人間のフィードバックを含む半構造化データの大規模な入力は、従来の分析手法に重大な課題をもたらす。
手動の専門家主導による評価は正確ではないが非効率であるが、標準的なNLPパイプラインは大きなタスク固有のラベル付きデータセットを必要とし、さまざまな領域にわたる一般化に苦労することが多い。
これらの課題に対処するため,我々は,大規模言語モデルと構造化された人口統計属性と,弱教師付きパイプラインにおける非構造化公開フィードバックを統合したグラフベースの推論フレームワークを提案する。
提案したアプローチは、進化する市民のニーズを動的にモデル化し、年齢、性別、多元分離指数といった重要な特徴に基づいて、人口固有の分析を可能にする。
解釈可能な洞察を生成し、レスポンシブな健康政策決定を通知する。
実世界のデータセットを用いて本手法を検証し,その実現可能性を示す予備実験を行った。
このアプローチは、リソース制限された臨床および政府設定におけるインテリジェントな集団健康モニタリングのためのスケーラブルなソリューションを提供する。
関連論文リスト
- Evaluating LLMs for Demographic-Targeted Social Bias Detection: A Comprehensive Benchmark Study [1.6682715542079583]
汎用AIモデルのトレーニングに使用される大規模なウェブスクレイプテキストコーパスは、しばしば有害な人口統計学的対象の社会的バイアスを含んでいる。
本稿では、人口統計学的対象の社会的偏見を検出するためのLCMの能力を評価するための、英語テキストを対象とした総合的な評価フレームワークを提案する。
次に,学習の促進,文脈内学習,微調整など,スケールとテクニックをまたいだモデルを用いて,体系的な評価を行う。
論文 参考訳（メタデータ） (2025-10-06T09:45:32Z) - General Demographic Foundation Models for Enhancing Predictive Performance Across Diseases [0.39508022083907385]
本研究は、年齢や性別に合わせた基礎的表現フレームワークとして、GDP(General Demographic Pre-trained)モデルを提案する。
このモデルは,地域によって異なる多様な疾患と人口構成を持つデータセットを用いて,事前学習し,評価する。
論文 参考訳（メタデータ） (2025-09-09T02:02:27Z) - Scaling Multi-Agent Epistemic Planning through GNN-Derived Heuristics [1.2103159258004725]
マルチエージェント・エピステミック・プランニング(Multi-agent Epistemic Planning、MEP)は、物理的世界とエージェントの信念の両方を推論するための自律的な計画フレームワークである。
MEPでは、状態はKripke構造、すなわち有向ラベル付きグラフとして表現する必要がある。
我々は、グラフニューラルネットワーク(GNN)を用いて、てんかん状態内のパターンや関係構造を学習し、計画プロセスの導出を行う。
論文 参考訳（メタデータ） (2025-08-18T11:26:20Z) - Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。
本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
論文 参考訳（メタデータ） (2025-06-13T15:27:40Z) - Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。
近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。
この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
論文 参考訳（メタデータ） (2025-06-11T03:29:18Z) - Conformal uncertainty quantification to evaluate predictive fairness of foundation AI model for skin lesion classes across patient demographics [8.692647930497936]
我々は、コンフォメーション解析を用いて、視覚変換器に基づく基礎モデルの予測不確かさを定量化する。
基礎モデルの特徴埋め込みの堅牢性を評価するために、公正度測定としてどのように使用できるかを示す。
論文 参考訳（メタデータ） (2025-03-31T08:06:00Z) - LLM-based Agent Simulation for Maternal Health Interventions: Uncertainty Estimation and Decision-focused Evaluation [30.334268991701727]
エージェントに基づくシミュレーションは複雑な人間の行動のモデル化に不可欠である。
従来のアプローチでは、広範なドメイン知識と大規模なデータセットが必要です。
大規模言語モデル(LLM)は、幅広い世界の知識を活用することで、有望な代替手段を提供する。
論文 参考訳（メタデータ） (2025-03-25T20:24:47Z) - Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。
動的パーソナライズされた価格設定などの問題の因果構造を形式化する。
本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
論文 参考訳（メタデータ） (2021-10-19T16:15:56Z) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳（メタデータ） (2021-08-31T08:23:56Z) - Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。
行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。
学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
論文 参考訳（メタデータ） (2021-03-23T11:10:04Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。