論文の概要: Exploring Anti-Aging Literature via ConvexTopics and Large Language Models

• arxiv url: http://arxiv.org/abs/2602.20224v1
• Date: Mon, 23 Feb 2026 16:17:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.479881
• Title: Exploring Anti-Aging Literature via ConvexTopics and Large Language Models
• Title（参考訳）: 凸トピックと大規模言語モデルによるアンチエイジング文学の探求
• Authors: Lana E. Yeganova, Won G. Kim, Shubo Tian, Natalie Xie, Donald C. Comeau, W. John Wilbur, Zhiyong Lu,
• Abstract要約: 安定かつきめ細かいトピックを生成する凸最適化に基づくクラスタリングアルゴリズムの再構成を提案する。 高齢化と長寿に関する約12,000の論文に適用し 医療専門家が検証したトピックを明らかにします 分子機構から食物サプリメント、身体活動、腸内微生物まで、解釈可能なトピックが生じる。
• 参考スコア（独自算出の注目度）: 5.1753296003935265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid expansion of biomedical publications creates challenges for organizing knowledge and detecting emerging trends, underscoring the need for scalable and interpretable methods. Common clustering and topic modeling approaches such as K-means or LDA remain sensitive to initialization and prone to local optima, limiting reproducibility and evaluation. We propose a reformulation of a convex optimization based clustering algorithm that produces stable, fine-grained topics by selecting exemplars from the data and guaranteeing a global optimum. Applied to about 12,000 PubMed articles on aging and longevity, our method uncovers topics validated by medical experts. It yields interpretable topics spanning from molecular mechanisms to dietary supplements, physical activity, and gut microbiota. The method performs favorably, and most importantly, its reproducibility and interpretability distinguish it from common clustering approaches, including K-means, LDA, and BERTopic. This work provides a basis for developing scalable, web-accessible tools for knowledge discovery.
• Abstract（参考訳）: バイオメディカル・パブリッシングの急速な拡大は、知識を整理し、新たなトレンドを検出する上での課題を生み出し、スケーラブルで解釈可能な方法の必要性を浮き彫りにする。 K-meansやLDAのような一般的なクラスタリングやトピックモデリングアプローチは、初期化に敏感であり、局所最適化に傾向があり、再現性と評価が制限される。 本稿では,データから例を選抜し,大域的最適性を保証することにより,安定かつきめ細かなトピックを生成する凸最適化に基づくクラスタリングアルゴリズムの再構成を提案する。 高齢化と長寿に関する約12,000のPubMed論文に応用し,医療専門家が検証したトピックを明らかにする。 分子機構から食物サプリメント、身体活動、腸内微生物まで、解釈可能なトピックが生じる。 その再現性と解釈性は, K-means, LDA, BERTopicなどの一般的なクラスタリング手法と区別される。 この作業は、知識発見のためのスケーラブルでWebアクセス可能なツールを開発する基盤を提供する。

関連論文リスト

• PyTDC: A multimodal machine learning training, evaluation, and inference platform for biomedical foundation models [59.17570021208177]
  PyTDCは、マルチモーダルな生物学的AIモデルのための合理化されたトレーニング、評価、推論ソフトウェアを提供する機械学習プラットフォームである。 本稿では、PyTDCのアーキテクチャの構成要素と、我々の知る限り、導入したシングルセルドラッグターゲットMLタスクにおける第一種ケーススタディについて論じる。
  論文  参考訳（メタデータ） (2025-05-08T18:15:38Z)
• Contextual Embedding-based Clustering to Identify Topics for Healthcare Service Improvement [3.9726806016869936]
  本研究では,米国ウィスコンシン州の医療システムから収集した439件のアンケート結果から,意味のあるトピックを抽出するための教師なし手法について検討した。 キーワードに基づくフィルタリング手法を,ドメイン固有辞書を用いた苦情関連フィードバックの分離に適用した。 データが不足していて、短文からなるコヒーレンスと解釈可能性を改善するため、kBERTを提案する。
  論文  参考訳（メタデータ） (2025-04-18T20:38:24Z)
• Biological Sequence with Language Model Prompting: A Survey [14.270959261105968]
  大きな言語モデル(LLM)は、さまざまなドメインにまたがる課題に対処するための強力なツールとして登場した。 本稿では, LLMを用いたプロンプトベース手法の生物学的配列への応用を系統的に検討する。
  論文  参考訳（メタデータ） (2025-03-06T06:28:36Z)
• NeuroSym-BioCAT: Leveraging Neuro-Symbolic Methods for Biomedical Scholarly Document Categorization and Question Answering [0.14999444543328289]
  本稿では,最適化されたトピックモデリングフレームワークであるOVB-LDAとBI-POP CMA-ES最適化技術を統合し,学術文書の抽象分類を強化した新しい手法を提案する。 我々は、ドメイン固有データに基づいて微調整された蒸留MiniLMモデルを用いて、高精度な回答抽出を行う。
  論文  参考訳（メタデータ） (2024-10-29T14:45:12Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• Interpretability from a new lens: Integrating Stratification and Domain knowledge for Biomedical Applications [0.0]
  本稿では, バイオメディカル問題データセットの k-fold cross-validation (CV) への階層化のための新しい計算手法を提案する。 このアプローチはモデルの安定性を改善し、信頼を確立し、トレーニングされたIMLモデルによって生成された結果の説明を提供する。
  論文  参考訳（メタデータ） (2023-03-15T12:02:02Z)
• Simple and Scalable Algorithms for Cluster-Aware Precision Medicine [0.0]
  共同クラスタリングと埋め込みに対するシンプルでスケーラブルなアプローチを提案する。 この新しいクラスタ対応の埋め込みアプローチは、現在の共同埋め込みとクラスタリング法の複雑さと限界を克服する。 当社のアプローチでは,ユーザが希望するクラスタ数を選択する必要はなく,階層的にクラスタ化された埋め込みの解釈可能なデンドログラムを生成する。
  論文  参考訳（メタデータ） (2022-11-29T19:27:26Z)

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。