論文の概要: Budget-Aware Routing for Long Clinical Text

• arxiv url: http://arxiv.org/abs/2605.00336v1
• Date: Fri, 01 May 2026 01:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.812718
• Title: Budget-Aware Routing for Long Clinical Text
• Title（参考訳）: 長期臨床テキストのための予算対応ルーティング
• Authors: Khizar Qureshi, Geoffrey Martin, Yifan Peng,
• Abstract要約: 大きな言語モデルの大きな課題は、クエリ毎のトークンコストとデプロイメント全体のコストです。 文書単位のサブセットが厳格なトークン予算の下で選択される、予算付きコンテキスト選択について検討する。 関連性,カバレッジ,多様性のバランスをとるモノトンサブモジュラー目的のtextbfRCD を提案する。
• 参考スコア（独自算出の注目度）: 8.474809035213118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key challenge for large language models is token cost per query and overall deployment cost. Clinical inputs are long, heterogeneous, and often redundant, while downstream tasks are short and high stakes. We study budgeted context selection, where a subset of document units is chosen under a strict token budget so an off-the-shelf generator can meet fixed cost and latency constraints. We cast this as a knapsack-constrained subset selection problem with two design choices, unitization that defines document segmentation and selection that determines which units are kept. We propose \textbf{RCD}, a monotone submodular objective that balances relevance, coverage, and diversity. We compare sentence, section, window, and cluster-based unitization, and introduce a routing heuristic that adapts to the budget regime. Experiments on MIMIC discharge notes, Cochrane abstracts, and L-Eval show that optimal strategies depend on the evaluation setting. Positional heuristics perform best at low budgets in extractive tasks, while diversity-aware methods such as MMR improve LLM generation. Selector choice matters more than unitization, with cluster-based grouping reducing performance and other schemes behaving similarly. ROUGE saturates for LLM summaries, while BERTScore better reflects quality differences. We release our code at https://github.com/stone-technologies/ACL_budget_paper.
• Abstract（参考訳）: 大きな言語モデルにとって重要な課題は、クエリ毎のトークンコストとデプロイメント全体のコストである。 臨床入力は長く、不均一であり、しばしば冗長である。 文書単位のサブセットを厳格なトークン予算の下で選択することにより,既製の生成装置が固定コストと遅延制約を満たすことができるような,予算付きコンテキスト選択について検討する。 我々はこれを、文書のセグメンテーションを定義する単位化と、どのユニットが保持されているかを決定する選択という、2つの設計選択を伴う、knapsack制約付きサブセット選択問題とみなした。 本稿では,モノトーンサブモジュラーの目的である「textbf{RCD}」を提案する。 文,セクション,ウィンドウ,クラスタベースの統一化を比較し,予算体系に適応したルーティングヒューリスティックを導入する。 MIMIC放電ノート、コクラン抽象、L-Evalの実験は、最適戦略が評価設定に依存することを示している。 位置ヒューリスティックスは抽出作業において低予算で最善を尽くし、MMRのような多様性に配慮した手法はLLM生成を改善する。 セレクタの選択は、クラスタベースのグループ化によってパフォーマンスが低下し、他のスキームも同様に機能する。 ROUGEはLLMサマリーに飽和し、BERTScoreは品質差をよく反映する。 コードについてはhttps://github.com/stone-technologies/ACL_budget_paperで公開しています。

関連論文リスト

• Multinoulli Extension: A Lossless Continuous Relaxation for Partition-Constrained Subset Selection [60.07018090570548]
  我々はパラメータフリーで、歪んだ局所探索法と同じ近似保証を実現できるMultinoulliSCGという新しいアルゴリズムを導入する。 また、分割制約に関する未探索オンラインサブセット選択問題に対して、Multinoulli-CGとMultinoulli-GAGAという2つの新しいオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:30:01Z)
• A Critical Look at Targeted Instruction Selection: Disentangling What Matters (and What Doesn't) [14.070675074621043]
  インストラクションの微調整では、ターゲットタスクから小さなクエリセットを使用して、大きな候補プールから命令トレーニングデータのサブセットを選択する。 関心が高まりつつも、対象とする命令の選択に関する文献は断片化され、不透明なままである。 本研究では,データ表現と選択アルゴリズムという2つの中核成分を分離し,体系的に分析することで,この景観に明瞭さをもたらすことを目的とする。
  論文  参考訳（メタデータ） (2026-02-16T12:33:05Z)
• Optimal Budgeted Adaptation of Large Language Models [8.207283283207138]
  ラベル付きデータの可用性と下流の精度のトレードオフは、大きな言語モデルにおいて依然として中心的な課題である。 そこで本稿では,LLM をコンテキスト型 Stackelberg ゲームとしてキャストすることで,Emphbudget-aware による微調整を指導するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T01:08:15Z)
• Distilling a Small Utility-Based Passage Selector to Enhance Retrieval-Augmented Generation [110.610512800947]
  Retrieval-augmented Generation (RAG)は、取得した情報を組み込むことで、大規模言語モデル(LLM)を強化する。 RAGでは、重要度は実用性に移行し、正確な回答を生成するためのパスの有用性を考慮している。 提案手法は、ランク付けよりもユーティリティベースの選択に重点を置いており、固定しきい値を必要とせずに、特定のクエリに合わせた動的通過選択を可能にする。 本実験は, 実用性に基づく選択により, RAGの柔軟性とコスト効率が向上し, 計算コストが大幅に低減され, 応答品質が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-25T09:32:29Z)
• Cequel: Cost-Effective Querying of Large Language Models for Text Clustering [15.179854529085544]
  テキストクラスタリングは、文書の集合を言語的特徴に基づく一貫性のあるグループに自動的に分割することを目的としている。 大規模言語モデル(LLM)の最近の進歩は、高品質な文脈適応型埋め込みを提供することにより、この分野を著しく改善している。 LLMクエリの限られた予算下で正確なテキストクラスタリングを実現するための費用効率のよいフレームワークであるCequelを提案する。
  論文  参考訳（メタデータ） (2025-04-22T06:57:49Z)
• $Se^2$: Sequential Example Selection for In-Context Learning [83.17038582333716]
  インコンテキスト学習(ICL)のための大規模言語モデル(LLM)は、実演例によって起動する必要がある。 以前の研究は、主に"select then organize"パラダイムに従って、ICLの例の選択を幅広く検討してきた。 本稿では,この問題を$Se$quential $Se$lection問題として定式化し,シーケンシャル・アウェア法である$Se2$を導入する。
  論文  参考訳（メタデータ） (2024-02-21T15:35:04Z)
• EcoRank: Budget-Constrained Text Re-ranking Using Large Language Models [6.109188517569139]
  我々は予算が与えられた業績を最大化する方法について研究する。 本稿では,テキストの再ランク付けを行うための予算制約付き手法を提案する。
  論文  参考訳（メタデータ） (2024-02-16T18:03:42Z)
• Efficient Prompt Optimization Through the Lens of Best Arm Identification [50.56113809171805]
  この作業は、明示的な予算制約の下でプロンプト選択を効率的に行うための、原則化されたフレームワークであるTRIPLEを提供する。 マルチアームバンディット(MAB)における即時最適化と固定予算ベストアーム識別(BAI-FB)の間に確立された新しい接続上に構築されている。
  論文  参考訳（メタデータ） (2024-02-15T05:31:13Z)

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。