論文の概要: Picking the Right Specialist: Attentive Neural Process-based Selection of Task-Specialized Models as Tools for Agentic Healthcare Systems

• arxiv url: http://arxiv.org/abs/2602.14901v1
• Date: Mon, 16 Feb 2026 16:36:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.543529
• Title: Picking the Right Specialist: Attentive Neural Process-based Selection of Task-Specialized Models as Tools for Agentic Healthcare Systems
• Title（参考訳）: 正しいスペシャリストを選ぶ:エージェント医療システムのためのタスク特化モデルの選択
• Authors: Pramit Saha, Joshua Strong, Mohammad Alsharid, Divyanshu Mishra, J. Alison Noble,
• Abstract要約: 本稿では,質問文とモデルごとの行動サマリーを条件としたAttentive Neural Processベースのセレクタを提案し,専門モデルの中から選択する。 この結果から,ToolSelectは4つのタスクファミリ間で10のSOTAメソッドを一貫して上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 9.478298325132688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Task-specialized models form the backbone of agentic healthcare systems, enabling the agents to answer clinical queries across tasks such as disease diagnosis, localization, and report generation. Yet, for a given task, a single "best" model rarely exists. In practice, each task is better served by multiple competing specialist models where different models excel on different data samples. As a result, for any given query, agents must reliably select the right specialist model from a heterogeneous pool of tool candidates. To this end, we introduce ToolSelect, which adaptively learns model selection for tools by minimizing a population risk over sampled specialist tool candidates using a consistent surrogate of the task-conditional selection loss. Concretely, we propose an Attentive Neural Process-based selector conditioned on the query and per-model behavioral summaries to choose among the specialist models. Motivated by the absence of any established testbed, we, for the first time, introduce an agentic Chest X-ray environment equipped with a diverse suite of task-specialized models (17 disease detection, 19 report generation, 6 visual grounding, and 13 VQA) and develop ToolSelectBench, a benchmark of 1448 queries. Our results demonstrate that ToolSelect consistently outperforms 10 SOTA methods across four different task families.
• Abstract（参考訳）: タスク特化モデル(Task-specialized model)は、エージェント医療システムのバックボーンを形成し、エージェントは、疾患の診断、ローカライゼーション、レポート生成などのタスクにまたがって、臨床的な質問に答えることができる。 しかし、与えられたタスクに対して、単一の"ベスト"モデルが存在することは滅多にありません。 実際には、各タスクは複数の競合するスペシャリストモデルによってよりうまく機能し、異なるモデルが異なるデータサンプルに優れている。 結果として、任意のクエリに対して、エージェントは、不均一なツール候補のプールから適切なスペシャリストモデルを確実に選択する必要がある。 この目的のために,タスク条件の選択損失の一貫したサロゲートを用いて,サンプル化された専門家ツール候補に対する集団リスクを最小化し,ツールのモデル選択を適応的に学習するツールセレクトを導入する。 具体的には,問合せとモデルごとの行動サマリーを条件としたAttentive Neural Processベースのセレクタを提案し,専門モデルの中から選択する。 確立されたテストベッドの欠如を契機に,多様なタスク特定モデル17の疾患検出,19のレポート生成,6の視覚的グラウンド,13のVQA)を備えたエージェントチェストX線環境を導入し,1448クエリのベンチマークであるToolSelectBenchを開発した。 この結果から,ToolSelectは4つのタスクファミリ間で10のSOTAメソッドを一貫して上回っていることがわかった。

関連論文リスト

• MetaOOD: Automatic Selection of OOD Detection Models [11.828994403048348]
  我々はメタラーニングを利用してOOD検出モデルを自動的に選択する最初のゼロショット・アン教師なしフレームワークであるMetaOODを紹介した。 メタ学習のアプローチとして、MetaOODは、さまざまなベンチマークOOD検出データセットにまたがって、既存のメソッドの過去のパフォーマンスデータを活用する。 私たちはMetaOODが既存のメソッドを著しく上回り、限界時間のオーバーヘッドしか生じないことを示した。
  論文  参考訳（メタデータ） (2024-10-04T01:36:19Z)
• Diversified Batch Selection for Training Acceleration [68.67164304377732]
  オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。 バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。 DivBS(Diversified Batch Selection)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T12:12:20Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Have we been Naive to Select Machine Learning Models? Noisy Data are here to Stay! [2.094821665776961]
  モデル選択手順は、通常、特定の集合における特定の計量を最大化するモデルを選択する単一基準決定である。 これは非常に単純であり、過剰な探索現象のため、過度に適合したモデルの選択が不十分である、と我々は主張する。 4つの理論的最適条件を定義し、モデルをよりよく選択し、分析することができる。
  論文  参考訳（メタデータ） (2022-07-14T04:20:08Z)
• Ensemble Method for Estimating Individualized Treatment Effects [15.775032675243995]
  本稿では,多様なモデルライブラリから推定値を集約するアルゴリズムを提案する。 43のベンチマークデータセット上でのアンサンブルとモデル選択を比較して、ほぼ毎回、アンサンブルが勝つことを確認します。
  論文  参考訳（メタデータ） (2022-02-25T00:44:37Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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。