論文の概要: Query-Conditioned Knowledge Alignment for Reliable Cross-System Medical Reasoning
- arxiv url: http://arxiv.org/abs/2605.18570v1
- Date: Mon, 18 May 2026 15:49:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.925897
- Title: Query-Conditioned Knowledge Alignment for Reliable Cross-System Medical Reasoning
- Title（参考訳）: 信頼性の高いクロスシステム医療推論のための問合せ型知識アライメント
- Authors: Yan Jiao, Jingran Xu, Pin-Han Ho, Limei Peng,
- Abstract要約: クロスドメイン知識アライメントは異種医療システムの統合に不可欠である。
本稿では、クエリ条件付き対応問題としてエンティティアライメントを再構成するクエリ定義エンティティアライメント(QCEA)を提案する。
我々は,SymMap から派生した知識グラフ TCM-WM 上でのQCEA を評価し,症状アライメントとハーブ-分子アライメントタスクの両方をカバーした。
- 参考スコア（独自算出の注目度）: 8.331524801839162
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-domain knowledge alignment is essential for integrating heterogeneous medical systems, yet existing approaches typically treat entity alignment as a static matching problem, ignoring query context and cross-system asymmetry. This limitation is particularly critical in integrative medical settings, where correspondence between concepts is inherently context-dependent, non-bijective, and direction-sensitive. In this paper, we propose Query-Conditioned Entity Alignment (QCEA), which reformulates entity alignment as a query-conditioned correspondence problem. Instead of learning a fixed mapping between entity representations, QCEA treats the textual description of a source entity as a query and ranks candidate entities in the target graph, enabling context-dependent alignment. The framework integrates semantic encoding, graph-based representation learning, and a direction-aware transformation module to capture asymmetric and many-to-many correspondence across heterogeneous knowledge systems. We evaluate QCEA on TCM--WM knowledge graphs derived from SymMap, covering both symptom alignment and herb--molecule alignment tasks. Experimental results show consistent improvements over representative baselines, particularly on rank-sensitive metrics such as Hit@K and MRR. Furthermore, downstream retrieval-augmented generation (RAG) experiments demonstrate that improved alignment leads to better evidence retrieval, stronger grounding, and higher answer accuracy. These findings highlight that alignment is not merely a data integration step, but a key factor that shapes knowledge accessibility and reliability in cross-system medical reasoning.
- Abstract（参考訳）: ドメイン間知識アライメントは異種医療システムを統合する上で不可欠であるが、既存のアプローチでは、エンティティアライメントを静的マッチング問題として扱い、クエリコンテキストを無視し、システム間非対称性を無視する。
この制限は、概念間の対応が本質的に文脈に依存し、非客観的であり、方向性に敏感である統合医療において特に重要である。
本稿では、クエリ条件付き対応問題としてエンティティアライメントを再構成するクエリ定義エンティティアライメント(QCEA)を提案する。
エンティティ表現間の固定マッピングを学ぶ代わりに、QCEAはソースエンティティのテキスト記述をクエリとして扱い、ターゲットグラフ内の候補エンティティをランク付けし、コンテキスト依存アライメントを可能にする。
このフレームワークは、セマンティックエンコーディング、グラフベースの表現学習、および方向認識変換モジュールを統合し、異種知識システム間の非対称かつ多対多対応をキャプチャする。
我々は,SymMap から派生した知識グラフ TCM-WM 上でのQCEA を評価し,症状アライメントとハーブ-分子アライメントタスクの両方をカバーした。
実験結果から,特にHit@KやMRRなどのランク感性指標では,代表ベースラインよりも一貫した改善が見られた。
さらに、下流検索強化生成(RAG)実験により、改善されたアライメントがより良いエビデンス検索、より強力な接地、より高い回答精度をもたらすことが示された。
これらの知見は、アライメントは単にデータ統合のステップではなく、知識アクセシビリティと信頼性をシステム横断の医学的推論で形作る重要な要素であることを示している。
関連論文リスト
- HAAF: Hierarchical Adaptation and Alignment of Foundation Models for Few-Shot Pathology Anomaly Detection [10.649984141835189]
階層型適応アライメントフレームワーク(HAAF)を提案する。
中心となるのは、シーケンシャルなキャリブレーション順序を強制するクロスレベルスケールアライメント機構である。
デュアルブランチ推論戦略は、セマンティックスコアと幾何学的プロトタイプを統合して、数ショット設定での安定性を確保する。
論文 参考訳（メタデータ） (2026-01-24T10:31:21Z) - MetaHGNIE: Meta-Path Induced Hypergraph Contrastive Learning in Heterogeneous Knowledge Graphs [16.36978652807043]
本稿ではメタパスによるハイパーグラフ学習フレームワークであるMetaHGNIEを提案する。
本結果は,異種知識グラフにおける高次相互作用と相互アライメントを明示的にモデル化することの有効性を強調した。
論文 参考訳（メタデータ） (2025-12-13T22:21:33Z) - MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。
TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
論文 参考訳（メタデータ） (2025-11-13T06:30:41Z) - Align Your Query: Representation Alignment for Multimodality Medical Object Detection [55.86070915426998]
本稿では,表現をモダリティの文脈と整合させる検出非依存の枠組みを提案する。
モーダリティトークンをマルチモーダリティコンテキスト注意による検出プロセスに統合する。
提案されたアプローチは、最小限のオーバーヘッドとアーキテクチャの変更を伴わず、APを継続的に改善する。
論文 参考訳（メタデータ） (2025-10-03T07:49:21Z) - Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。
Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。
既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
論文 参考訳（メタデータ） (2025-09-30T22:19:44Z) - Dynamic Span Interaction and Graph-Aware Memory for Entity-Level Sentiment Classification [0.2099922236065961]
SpanEITは、エンティティレベルの感情分類のための新しいフレームワークである。
動的スパン相互作用とグラフ対応メモリ機構を統合し、強化されたエンティティ・センチメント・リレーショナル・モデリングを行う。
FSAD、BARU、IMDBデータセットの実験では、SpanEITは最先端のトランスフォーマーとハイブリッドベースラインの精度、F1スコアを上回っている。
論文 参考訳（メタデータ） (2025-09-15T05:47:57Z) - Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。
まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。
次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
論文 参考訳（メタデータ） (2025-04-08T15:22:08Z) - Informed Multi-context Entity Alignment [27.679124991733907]
Informed Multi-context Entity Alignment (IMEA)モデルを提案する。
特にTransformerを導入し、関係、経路、近傍のコンテキストを柔軟にキャプチャする。
総論的推論は、埋め込み類似性と関係性/整合性の両方の機能に基づいてアライメント確率を推定するために用いられる。
いくつかのベンチマークデータセットの結果は、既存の最先端エンティティアライメント手法と比較して、IMEAモデルの優位性を示している。
論文 参考訳（メタデータ） (2022-01-02T06:29:30Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳（メタデータ） (2020-07-10T14:01:20Z)
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。