論文の概要: Diagnosable ColBERT: Debugging Late-Interaction Retrieval Models Using a Learned Latent Space as Reference

• arxiv url: http://arxiv.org/abs/2604.19566v1
• Date: Tue, 21 Apr 2026 15:19:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.841656
• Title: Diagnosable ColBERT: Debugging Late-Interaction Retrieval Models Using a Learned Latent Space as Reference
• Title（参考訳）: ColBERT:学習した潜在空間を基準とした遅延相互作用検索モデルのデバッグ
• Authors: François Remy,
• Abstract要約: 臨床知識に基づく参照潜在空間にColBERTトークンを埋め込むフレームワークを提案する。 このアライメントは、ドキュメントエンコーディングを、モデルが何を理解しているかの検査可能な証拠に変える。
• 参考スコア（独自算出の注目度）: 1.6904475483445454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable biomedical and clinical retrieval requires more than strong ranking performance: it requires a practical way to find systematic model failures and curate the training evidence needed to correct them. Late-interaction models such as ColBERT provide a first solution thanks to the interpretable token-level interaction scores they expose between document and query tokens. Yet this interpretability is shallow: it explains a particular document--query pairwise score, but does not reveal whether the model has learned a clinical concept in a stable, reusable, and context-sensitive way across diverse expressions. As a result, these scores provide limited support for diagnosing misunderstandings, identifying irreasonably distant biomedical concepts, or deciding what additional data or feedback is needed to address this. In this short position paper, we propose Diagnosable ColBERT, a framework that aligns ColBERT token embeddings to a reference latent space grounded in clinical knowledge and expert-provided conceptual similarity constraints. This alignment turns document encodings into inspectable evidence of what the model appears to understand, enabling more direct error diagnosis and more principled data curation without relying on large batteries of diagnostic queries.
• Abstract（参考訳）: 信頼性の高いバイオメディカルおよび臨床検索には、強いランク付け性能以上のものが必要であり、体系的なモデル失敗を見つけ、それらを修正するために必要なトレーニングエビデンスをキュレートするには、実用的な方法が必要である。 ColBERTのような後期インタラクションモデルは、ドキュメントトークンとクエリトークンの間に露出する解釈可能なトークンレベルのインタラクションスコアのおかげで、最初のソリューションを提供する。 しかし、この解釈可能性は浅く、特定の文書-クエリー対のスコアを説明するが、このモデルが様々な表現に対して安定的で再利用可能な、文脈に敏感な方法で臨床概念を学んだかどうかは明らかにしていない。 その結果、これらのスコアは誤解の診断、不当に遠い生体医学的概念の特定、それに対処するために追加のデータやフィードバックを決定するための限定的なサポートを提供する。 本稿では,臨床知識と専門家が提供する概念的類似性制約を基礎とした参照潜在空間にColBERTトークンを埋め込むフレームワークであるDiagnosable ColBERTを提案する。 このアライメントは、ドキュメントエンコーディングを、モデルが理解しているように見えるものを検査可能な証拠にし、診断クエリの大きなバッテリーに頼ることなく、より直接的なエラー診断とより原則化されたデータキュレーションを可能にします。

関連論文リスト

• Strong Reasoning Isn't Enough: Evaluating Evidence Elicitation in Interactive Diagnosis [29.630872344186873]
  インタラクティブな医療相談は、エージェントが不確実性の下で行方不明な臨床証拠を積極的に引き出す必要がある。 既存の評価の大部分は静的あるいは結果中心であり、エビデンス収集プロセスを無視している。 シミュレーションされた患者と、原子的証拠に基づく再現されたレポーターを用いて、コンサルテーションプロセスを明示的にモデル化するインタラクティブな評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-27T16:36:35Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• Few-Shot Multimodal Medical Imaging: A Theoretical Framework [0.0]
  低リソース医用撮像条件下での学習と推論を特徴付ける統一理論フレームワークを提案する。 まず,臨床的に信頼性の高い精度を達成するのに必要な最小データ量を推定するために,少数の条件下で学習目標を定式化し,サンプルの複雑さを計算する。 そこで我々は,低データ条件下での解釈可能性保証を提供する,説明安定のための公式な指標を提案する。
  論文  参考訳（メタデータ） (2025-11-03T01:21:50Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• REMEMBER: Retrieval-based Explainable Multimodal Evidence-guided Modeling for Brain Evaluation and Reasoning in Zero- and Few-shot Neurodegenerative Diagnosis [6.446611581074913]
  検索型マルチモーダル誘導型脳評価・推論モデルREMEMBERについて紹介する。 REMEMBERは、脳MRIスキャンを用いたゼロショットと少数ショットのアルツハイマーの診断を容易にする新しい機械学習フレームワークである。 実験結果から,REMEMBERはゼロショットと少数ショットの堅牢な性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-04-12T22:06:15Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• Interpretable Vertebral Fracture Diagnosis [69.68641439851777]
  ブラックボックスニューラルネットワークモデルは、骨折診断のための臨床的に関連する特徴を学習する。 この研究は、CT画像における脊椎骨折の診断にネットワークが使用する概念を特定する。
  論文  参考訳（メタデータ） (2022-03-30T13:07:41Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。