論文の概要: Think Fast, Talk Smart: Partitioning Deterministic and Neural Computation for Structured Health Text Generation

• arxiv url: http://arxiv.org/abs/2605.29652v1
• Date: Thu, 28 May 2026 09:16:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.102742
• Title: Think Fast, Talk Smart: Partitioning Deterministic and Neural Computation for Structured Health Text Generation
• Title（参考訳）: 速く、スマートに: 構造化された健康テキスト生成のための決定論的およびニューラル計算の分割
• Authors: Kai-Chen Cheng, Haejun Han, David Q. Sun,
• Abstract要約: 大規模言語モデル(LLM)は、ウェアラブル時系列、バイオマーカー、バイタル、ケア管理ログなどの構造化された記録から健康テキストを生成するために、ますます使われてきている。 構造化健康発生における責任は、LCMの推進よりも決定論的ランタイムであるべきかを問う。 我々はThink Fast, Talk Smartを紹介した。これはスリープ・ヘルス・インサイト・パイプラインで、決定論的コードは1つの有界LLMライターの呼び出し前に繰り返し解析を行う。
• 参考スコア（独自算出の注目度）: 0.0764671395172401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly being used to generate health text from structured records such as wearable time series, biomarkers, vitals, and care-management logs. For recurring health outputs, fluency is not enough: systems must remain faithful to source data, ground explanatory claims in available evidence, follow stated policies, emit machine-readable outputs, and run cheaply enough for repeated use. We ask which responsibilities in structured health generation should be deterministic computation rather than runtime LLM prompting. We introduce Think Fast, Talk Smart, a sleep-health insight pipeline in which deterministic code performs recurring analysis before one bounded LLM writer call. Across 280 user-nights and six models, achieves lower numeric error, lower instruction-compliance error, and lower end-to-end cost than structured zero-shot and few-shot one-call baselines. Layer replacement reveals contract-specific failures: LLM comparison raises numeric error, LLM ranking degrades policy selection, LLM attribution increases unsupported causal language, and an LLM-generated writer interface reintroduces errors even after upstream facts are deterministic. The results support a broader design rule: let code own recurring analysis, and let LLMs express verified facts within bounded interfaces.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ウェアラブル時系列、バイオマーカー、バイタル、ケア管理ログなどの構造化された記録から健康テキストを生成するために、ますます使われてきている。 システムは、ソースデータに忠実であり続け、利用可能な証拠に説明的主張を定め、ポリシーに従い、機械可読出力を出力し、繰り返し使用するのに十分な価格で実行しなければならない。 我々は、構造化健康生成におけるどの責任が実行時LSMのプロンプトよりも決定論的計算であるべきかを問う。 我々はThink Fast, Talk Smartを紹介した。これはスリープ・ヘルス・インサイト・パイプラインで、決定論的コードは1つの有界LLMライターの呼び出し前に繰り返し解析を行う。 280のユーザナイトと6つのモデルで、構造化されたゼロショットや少数ショットのワンコールベースラインよりも低い数値エラー、低い命令準拠エラー、低いエンドツーエンドコストを実現している。 LLM比較は数値エラーを増大させ、LSMランキングはポリシー選択を劣化させ、LSM属性は因果関係言語を増大させ、LSM生成のライターインターフェースは上流事実が決定論的であったとしてもエラーを再導入する。 結果は、より広範な設計ルールをサポートします。コードが繰り返し解析を所有し、LLMが境界インターフェイス内で検証された事実を表現させます。

関連論文リスト

• From Early Encoding to Late Suppression: Interpreting LLMs on Character Counting Tasks [49.57538588967748]
  LLM(Large Language Model)は、複雑なベンチマークでは優れているにもかかわらず、単語中の文字数などの基本的な記号的タスクにおいて失敗を示す。 我々は、LLaMA、Qwen、Gemmaなど、現代のアーキテクチャにまたがる一貫した現象を発見した。 LLMにおけるシンボリック推論失敗は,表現不足やスケール不足によるものではなく,モデル計算グラフ内の構造的干渉によるものであることを示す。
  論文  参考訳（メタデータ） (2026-04-01T11:40:12Z)
• Consistency Is the Key: Detecting Hallucinations in LLM Generated Text By Checking Inconsistencies About Key Facts [21.081815261690444]
  大規模言語モデル(LLM)は、しばしば幻覚を生じさせ、現実の知識に根ざしていない事実的誤りのテキストを生成する。 これは、医療、金融、顧客サポートといった分野に深刻なリスクをもたらす。 外部知識ベースを活用できない効率的な検出手法であるCONFACTCHECKを紹介する。
  論文  参考訳（メタデータ） (2025-11-15T14:33:02Z)
• Idiosyncrasies in Large Language Models [54.26923012617675]
  大規模言語モデル(LLM)における慣用句の公開と研究 LLM生成テキストへの微調整テキスト埋め込みモデルにより,優れた分類精度が得られることがわかった。 我々はLLMを審査員として利用し、各モデルの慣用句の詳細かつオープンな記述を生成する。
  論文  参考訳（メタデータ） (2025-02-17T18:59:02Z)
• Efficient Real-time Refinement of Language Model Text Generation [65.1937138219008]
  大規模言語モデル(LLM)は、幅広い自然言語タスクにおいて顕著な性能を示している。 重要な課題は、時に事実的に誤った答えを生じさせることである。 本稿では,LLM出力の検証と改善の効率化を目的とした新しい手法であるStreaming-VRを提案する。
  論文  参考訳（メタデータ） (2025-01-14T03:59:48Z)
• IterGen: Iterative Semantic-aware Structured LLM Generation with Backtracking [5.174301428591665]
  大規模言語モデル(LLM)は自然言語やコード生成といったタスクに広く使われている。 そのアウトプットはしばしば幻覚、毒性、誤った結果などの問題に悩まされる。 構造化LLM生成のための現在のライブラリは、バックトラックをサポートしない左から右へのデコードに依存している。 IterGenは、文法記号に基づいて生成された出力の前方と後方の両方を移動可能にする。
  論文  参考訳（メタデータ） (2024-10-09T16:21:38Z)
• Robustness of Large Language Models to Perturbations in Text [2.2734015467359217]
  大規模言語モデル(LLM)は素晴らしいパフォーマンスを示していますが、現実のデータでは避けられないノイズを処理できますか? この研究は、LLMのテキストのモルフォロジー変化に対するレジリエンスを調査することによって、この重要な問題に取り組む。 以上の結果から, LLM は, 一般の信念とは対照的に, 文中での騒々しい摂動に対して静かであることが明らかとなった。
  論文  参考訳（メタデータ） (2024-07-12T04:50:17Z)

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。