論文の概要: JEDA: Query-Free Clinical Order Search from Ambient Dialogues

• arxiv url: http://arxiv.org/abs/2510.14169v1
• Date: Thu, 16 Oct 2025 00:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.654763
• Title: JEDA: Query-Free Clinical Order Search from Ambient Dialogues
• Title（参考訳）: JEDA: 外部対話からのクエリフリー臨床オーダー検索
• Authors: Praphul Singh, Corey Barrett, Sumana Srivasta, Amitabh Saikia, Irfan Bulu, Sri Gadde, Krishnaram Kenthapadi,
• Abstract要約: JEDAはドメインdバイエンコーダで、標準順序を直接取得する。 環境対話の短いローリングウィンドウを符号化し、検索をトリガーする。 クエリフリーモードはノイズ耐性があり、障害やASRエラーに対する感度が低下する。
• 参考スコア（独自算出の注目度）: 5.261109514268743
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Clinical conversations mix explicit directives (order a chest X-ray) with implicit reasoning (the cough worsened overnight, we should check for pneumonia). Many systems rely on LLM rewriting, adding latency, instability, and opacity that hinder real-time ordering. We present JEDA (Joint Embedding for Direct and Ambient clinical orders), a domain-initialized bi-encoder that retrieves canonical orders directly and, in a query-free mode, encodes a short rolling window of ambient dialogue to trigger retrieval. Initialized from PubMedBERT and fine-tuned with a duplicate-safe contrastive objective, JEDA aligns heterogeneous expressions of intent to shared order concepts. Training uses constrained LLM guidance to tie each signed order to complementary formulations (command only, context only, command+context, context+reasoning), producing clearer inter-order separation, tighter query extendash order coupling, and stronger generalization. The query-free mode is noise-resilient, reducing sensitivity to disfluencies and ASR errors by conditioning on a short window rather than a single utterance. Deployed in practice, JEDA yields large gains and substantially outperforms its base encoder and recent open embedders (Linq Embed Mistral, SFR Embedding, GTE Qwen, BGE large, Embedding Gemma). The result is a fast, interpretable, LLM-free retrieval layer that links ambient context to actionable clinical orders in real time.
• Abstract（参考訳）: 臨床会話では、明示的な指示(胸部X線を指示する)と暗黙の推論(一晩で悪化し、肺炎をチェックする必要がある)が混ざり合っています。 多くのシステムはLLM書き換えに依存しており、遅延や不安定さ、不透明さがリアルタイムの注文を妨げている。 JEDA(Joint Embedding for Direct and Ambient Clinical Order)は、ドメインの初期化されたバイエンコーダで、標準命令を直接検索し、クエリフリーモードでは、周辺対話の短いローリングウィンドウをエンコードして検索をトリガーする。 PubMedBERTから初期化され、二重セーフなコントラスト目的で微調整されたJEDAは、インテントの不均一な表現を共有順序の概念に整合させる。 トレーニングでは、制約付きLLMガイダンスを使用して、署名された各順序を補完的な定式化(コマンドのみ、コンテキストのみ、コマンド+コンテキスト、コンテキスト+推論)に結びつける。 クエリフリーモードは耐雑音性が高く、単一発話ではなくショートウィンドウで条件付けすることで、障害やASRエラーに対する感度を低下させる。 実際にデプロイされたJEDAは、大きなゲインを獲得し、ベースエンコーダと最近のオープン埋め込み(Linq Embed Mistral、SFR Embedding、GTE Qwen、BGE Large、 Embedding Gemma)を大幅に上回っている。 その結果、高速で解釈可能なLCMのない検索層が、周囲のコンテキストをリアルタイムに実行可能な臨床オーダーにリンクする。

関連論文リスト

• DRES: Benchmarking LLMs for Disfluency Removal [27.083825614818135]
  um"、"uh"、インタージェクション、括弧、編集されたステートメントなどの分散は、音声駆動システムにおいて永続的な課題である。 制御されたテキストレベルのベンチマークである拡散除去評価スイートは、このタスクに対して再現可能なセマンティックアッパーバウンドを確立する。 DRESは、人間の注釈付きSwitchboard transcriptの上に構築され、ASRエラーからの拡散除去と音響的変動を分離する。
  論文  参考訳（メタデータ） (2025-09-24T17:08:12Z)
• REFRAG: Rethinking RAG based Decoding [67.4862300145604]
  REFRAGは効率的なデコードフレームワークで、RAGアプリケーションの遅延を圧縮し、感知し、拡張し、改善する。 本稿では,RAG,マルチターン会話,長期文書要約など,多種多様な長文タスクを対象としたREFRAGの厳密な検証を行う。
  論文  参考訳（メタデータ） (2025-09-01T03:31:44Z)
• LexSemBridge: Fine-Grained Dense Representation Enhancement through Token-Aware Embedding Augmentation [16.162310785810792]
  本稿では,細粒度で入力対応のベクトル変調により高密度なクエリ表現を向上する統合フレームワークを提案する。 LexSemBridgeはバックボーンエンコーダを変更することなくプラグインとして動作する。
  論文  参考訳（メタデータ） (2025-08-25T10:07:36Z)
• Revisiting Backdoor Attacks on LLMs: A Stealthy and Practical Poisoning Framework via Harmless Inputs [54.90315421117162]
  完全無害データを用いた新しい毒殺法を提案する。 自己回帰型LPMの因果推論に着想を得て,トリガーと肯定的応答プレフィックスの堅牢な関連性を確立することを目指す。 LLMは最初は同意するように見えるが,その後回答を拒む興味深い抵抗現象を観察する。
  論文  参考訳（メタデータ） (2025-05-23T08:13:59Z)
• U-NIAH: Unified RAG and LLM Evaluation for Long Context Needle-In-A-Haystack [9.760456105567078]
  本稿では,Large Language Models(LLM)とRetrieval-Augmented Generation(RAG)を体系的に比較する統一フレームワークであるU-NIAHを紹介する。 本フレームワークでは,複数のニードル,長いニードル,ニードルの設定を,異なる検索設定とともに組み込んでいる。 以上の結果から,RAGはロスト・イン・ザ・ミドル効果を緩和し,ロバスト性を向上させることにより,より小さなLCMを著しく向上させることが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-01T05:05:24Z)
• Say Less, Mean More: Leveraging Pragmatics in Retrieval-Augmented Generation [27.892421858384594]
  Dense Passage Retrievalのような検索拡張生成(RAG)フレームワークに実用的原理を注入し、検索コンテキストの有用性を高めるための、単純で教師なしの手法を提案する。 提案手法はまず,RAGが検索した文書プール内のどの文が,手元にある質問に最も関連があるかを識別し,入力された質問に対処するすべてのトピックをカバーし,そのコンテキスト内でこれらの文をハイライトする。 PubHealthでは19.7%、ARC-Challengeでは10%まで精度が向上している。
  論文  参考訳（メタデータ） (2025-02-25T04:38:38Z)
• SHINE: Saliency-aware HIerarchical NEgative Ranking for Compositional Temporal Grounding [52.98133831401225]
  時間的グラウンドディング(英: Temporal grounding、ビデオモーメント検索(英語版))は、所定のクエリ文に対応するビデオセグメントを特定することを目的としている。 本稿では, GPT-3.5-Turbo を用いた負のクエリ構築のための大規模言語モデル駆動手法を提案する。 本稿では,ビデオと階層的負のクエリ間の多粒度意味的関係を学習するモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-06T16:08:17Z)
• Rescue: Ranking LLM Responses with Partial Ordering to Improve Response Generation [28.89786334298637]
  ランキングメトリクスを用いたLCMの最適化手法を開発した。 従来の完全順序付けではなく、部分順序付けを提唱する。 ベンチマークデータセットを用いて,システムの改善された応答生成能力を検証した。
  論文  参考訳（メタデータ） (2023-11-15T17:27:14Z)
• Learning to Ask Conversational Questions by Optimizing Levenshtein Distance [83.53855889592734]
  明示的な編集動作によって最小レベンシュテイン距離(MLD)を最適化する強化反復シーケンス編集(RISE)フレームワークを導入する。 RISEは会話の特徴に関連するトークンに注意を払うことができる。 2つのベンチマークデータセットの実験結果から、RISEは最先端の手法を大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T08:44:19Z)

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。