論文の概要: BELIEF: Structured Evidence Modeling and Uncertainty-Aware Fusion for Biomedical Question Answering

• arxiv url: http://arxiv.org/abs/2605.17435v1
• Date: Sun, 17 May 2026 12:58:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.017454
• Title: BELIEF: Structured Evidence Modeling and Uncertainty-Aware Fusion for Biomedical Question Answering
• Title（参考訳）: BELIEF: バイオメディカル質問応答のための構造化エビデンスモデリングと不確実性認識融合
• Authors: Chang Zong, Hao Ning, Siliang Tang, Jie Huang, Jian Wan,
• Abstract要約: BELIEFは、バイオメディカル質問応答のための構造化されたエビデンスモデリングと不確実性を考慮した融合フレームワークである。 検索した文書を、臨床属性、ソース品質、質問関連性、サポート強度、および関連する仮説を記録するエビデンスオブジェクトに変換する。 BelIEFは、エビデンス構造、パスの不一致、決定の不確実性を明確にすることで、検索エビデンス利用を改善する。
• 参考スコア（独自算出の注目度）: 28.39203052317792
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Biomedical question answering often requires decisions from retrieved literature whose relevance, quality, and support for candidate answers are uneven. Most retrieval-augmented large language model (LLM) methods feed this literature to the model as flat text, leaving evidence reliability and remaining uncertainty largely implicit. We propose BELIEF, a structured evidence modeling and uncertainty-aware fusion framework for closed-set biomedical question answering. Rather than treating retrieved documents as undifferentiated context, BELIEF converts them into evidence objects that record clinical attributes, source quality, question relevance, support strength, and the associated candidate hypothesis. These evidence objects provide a shared basis for two complementary reasoning paths. The symbolic path constructs reliability-weighted basic probability assignments based on Dempster--Shafer (D-S) theory over a finite answer space and performs uncertainty-aware symbolic evidence fusion to estimate belief and residual uncertainty. The neural path uses the same structured evidence for LLM-based semantic inference, while a reliability-aware arbitration module reconciles the symbolic and neural outputs according to belief strength, uncertainty, evidence reliability, and semantic consistency. Experiments on PubMedQA, MedQA, and MedMCQA with five general-purpose LLM backbones show that BELIEF obtains the best result in 25 of 30 backbone--dataset--metric settings. Comparisons with biomedical-domain models indicate that BELIEF is competitive on MedQA and MedMCQA, while specialized biomedical pretraining remains advantageous on PubMedQA. Ablation, complementarity, uncertainty-stratified, and cost analyses further show that BELIEF improves retrieved-evidence utilization by making evidence structure, path disagreement, and decision uncertainty explicit.
• Abstract（参考訳）: バイオメディカルな質問応答は、関連性、品質、および候補の回答に対する支持が不均一である、検索された文献からの判断を必要とすることが多い。 検索強化された大言語モデル (LLM) のほとんどは、この文献をフラットテキストとして表現し、証拠の信頼性と不確実性を残している。 閉集合バイオメディカル質問応答のための構造的エビデンスモデリングと不確実性を考慮した融合フレームワークであるBELIEFを提案する。 BELIEFは、検索された文書を未分化の文脈として扱うのではなく、臨床属性、ソース品質、質問関連性、サポート強度、関連する仮説を記録できる証拠オブジェクトに変換する。 これらのエビデンスオブジェクトは、2つの相補的推論パスの共通基盤を提供する。 シンボリックパスは、有限回答空間上のデンプスター-シャファー(D-S)理論に基づく信頼性重み付けされた基本確率代入を構築し、信頼と不確実性を推定するために不確実性対応のシンボリックエビデンス融合を実行する。 ニューラルパスは、LLMに基づくセマンティック推論の同じ構造化されたエビデンスを使用し、信頼性を考慮した調停モジュールは、信念の強さ、不確実性、エビデンス信頼性、セマンティック一貫性に応じてシンボルとニューラルアウトプットを調整する。 PubMedQA, MedQA, MedMCQAの5つの汎用LCMバックボーンを用いた実験により, BELIEFは30のバックボーン-データセット-メトリック設定のうち25のベストな結果が得られることが示された。 バイオメディカルドメインモデルとの比較では、BELIEFはMedQAとMedMCQAで競合するが、PubMedQAでは特定のバイオメディカルプレトレーニングが有利である。 さらに, BELIEFはエビデンス構造, 経路不一致, 決定の不確実性を明確化することにより, 回収エビデンス利用の向上を図っている。

関連論文リスト

• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Facet-Level Tracing of Evidence Uncertainty and Hallucination in RAG [8.18791900871137]
  Retrieval-Augmented Generationは、検索された証拠の回答を根拠にして幻覚を減らすことを目的としている。 既存の評価は回答レベルの精度や通過レベルの正確さに重点を置いており、世代間の証拠の使用方法に関する限られた洞察を与えている。 本稿では、各入力質問を原子推論ファセットに分解するQAのためのファセットレベル診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-10T09:59:43Z)
• Towards Reliable Medical LLMs: Benchmarking and Enhancing Confidence Estimation of Large Language Models in Medical Consultation [97.36081721024728]
  本稿では,現実的な医療相談におけるマルチターンインタラクションの信頼性を評価するための最初のベンチマークを提案する。 本ベンチマークでは,3種類の医療データを統合し,診断を行う。 本稿では,エビデンスを基盤とした言語自己評価フレームワークであるMedConfを紹介する。
  論文  参考訳（メタデータ） (2026-01-22T04:51:39Z)
• MedTrust-RAG: Evidence Verification and Trust Alignment for Biomedical Question Answering [21.855579328680246]
  MedTrust-Guided Iterative RAGは,医療用QAにおける事実整合性と幻覚を高めるためのフレームワークである。 第一に、検索された医療文書に、すべての生成されたコンテンツを明示的に根拠付けることを要求することにより、引用認識推論を強制する。 第2に、検証エージェントが証拠の妥当性を評価する反復的な検索検証プロセスを採用する。
  論文  参考訳（メタデータ） (2025-10-16T07:59:11Z)
• Uncertainty Estimation of Large Language Models in Medical Question Answering [60.72223137560633]
  大規模言語モデル(LLM)は、医療における自然言語生成の約束を示すが、事実的に誤った情報を幻覚させるリスクがある。 医学的問合せデータセットのモデルサイズが異なる人気不確実性推定(UE)手法をベンチマークする。 以上の結果から,本領域における現在のアプローチは,医療応用におけるUEの課題を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-07-11T16:51:33Z)
• Retrieve to Explain: Evidence-driven Predictions for Explainable Drug Target Identification [0.791663505497707]
  Retrieve to Explain (R2E) は検索に基づくモデルで、可能なすべての回答をスコア付けし、ランク付けする。 R2Eはそれぞれの答えを、その裏付けとしてのみ表現し、答え自体が隠蔽されている。 薬物標的同定の挑戦的科学的発見課題としてR2Eを開発した。
  論文  参考訳（メタデータ） (2024-02-06T15:13:17Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)

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。