論文の概要: iLoRA: Bayesian Low-Rank Adaptation with Latent Interaction Graphs for Microbiome Diagnosis

• arxiv url: http://arxiv.org/abs/2605.30179v1
• Date: Thu, 28 May 2026 16:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.533076
• Title: iLoRA: Bayesian Low-Rank Adaptation with Latent Interaction Graphs for Microbiome Diagnosis
• Title（参考訳）: iLoRA:マイクロバイオーム診断のための潜時相互作用グラフを用いたベイズ低ランク適応
• Authors: Yang Song, Yixuan Zhang, Lingfa Meng, Tongyuan Hu, Haizhou Shi, Hao Wang, Samir Bhatt, Hengguan Huang,
• Abstract要約: iLoRAは、最初のベイズグラフ条件付きLoRAフレームワークである。 入力から遅延相互作用グラフを推論し、入力条件付きLoRA更新を生成する。 微生物の診断では,病状は種レベルと微生物のクロストークの両方に依存する。
• 参考スコア（独自算出の注目度）: 15.311128089548573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Parameter-efficient adaptation has made LLMs practical for domain prediction, but standard LoRA still relies on a static low-rank update and does not expose the latent interactions that often drive scientific labels. We introduce iLoRA. To our knowledge, it is the first Bayesian graph-conditioned LoRA framework. It infers a latent interaction graph from the input and uses it to generate input-conditioned LoRA updates. As a result, iLoRA learns prediction and latent interaction structure jointly, rather than training a predictor and applying interaction analysis only post hoc. We instantiate this idea for microbiome diagnosis, where disease state can depend on both species-level abundance and microbe-microbe cross-talk, and evaluate it in two complementary settings: interactive QA with human-annotated graphs, which tests latent structure recovery, and multi-cohort IBD diagnosis, which tests biomedical utility. Across both settings, iLoRA improves over strong LoRA and Bayesian adaptation baselines, recovers graphs aligned with human annotations and cohort-level microbiome associations, and provides calibrated uncertainty with moderate graph-branch overhead.
• Abstract（参考訳）: パラメータ効率の適応により LLM は領域予測に実用的になったが、標準の LoRA は依然として静的な低ランク更新に依存しており、しばしば科学ラベルを駆動する潜伏相互作用を公開していない。 iLoRAを導入します。 我々の知る限り、これはベイジアングラフ条件付きLoRAフレームワークとしては初めてのものである。 入力から遅延相互作用グラフを推論し、入力条件付きLoRA更新を生成する。 その結果、iLoRAは予測器を訓練し、ホック後にのみ相互作用分析を適用するのではなく、予測と潜在相互作用構造を共同で学習する。 この考え方は, 病状状態が種レベルと微生物のクロストークの両方に依存することができるマイクロバイオーム診断のアイデアをインスタンス化し, 生医学的有用性をテストする, 潜伏構造回復を検査する人間の注釈付きグラフとの対話的QA, マルチコホートIBD診断の2つの相補的な設定で評価する。 両方の設定で、iLoRAは強力なLoRAとベイズ適応ベースラインを改善し、人間のアノテーションやコホートレベルのマイクロバイオームアソシエーションに沿ったグラフを復元し、適度なグラフブランチオーバーヘッドでキャリブレーションされた不確実性を提供する。

関連論文リスト

• Unlocking Biological Workflows for Robust Protein-Text Question Answering: A Dual-Dimensional RAG Framework [60.82334952881798]
  タンパク-テキスト質問回答(QA)は、自然言語による生物学的配列の解釈に不可欠である。 2D-ProteinRAGは,大規模言語モデル(LLM)を金本位生物研究ワークフロー内で動作させる新しいフレームワークである。 本研究では,2D-Proteinが常に最先端の性能を達成し,微調整ベースラインや他のRAG法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-05-17T05:03:24Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography [11.141462411413059]
  リアルタイム凝固モニタリングは、早期発見とリスクの即時修復を可能にする。 従来のトロンボエラストグラフィー(TEG)は、1時間近く測定した後にしかそのような出力が得られない。 本稿では,個人間の動的変化のアドバンテージを考慮に入れた新しいアルゴリズムPSRを提案する。
  論文  参考訳（メタデータ） (2026-01-12T15:03:53Z)
• MIMIC-SR-ICD11: A Dataset for Narrative-Based Diagnosis [14.505360834752866]
  MIMIC-SR-ICD11 は EHR から作成され,WHO ICD-11 の用語に適合する大規模な英語診断データセットである。 LL-Rankは,臨床報告の文脈から各ラベルの長さ正規化関節度を算出する。
  論文  参考訳（メタデータ） (2025-11-07T18:55:22Z)
• Improving Interpretability in Alzheimer's Prediction via Joint Learning of ADAS-Cog Scores [1.1689657956099038]
  我々は,グローバルADAS-Cogスコアとそのサブスコアを24ヶ月で共同で予測するマルチタスク学習(MTL)フレームワークを提案する。 主な目的は、MRI機能に関連する各サブスコアが、グローバルスコアの予測にどのように貢献するかを検討することである。 サブスコアレベル分析では、特にQ1(Word Recall)、Q4(Delayed Recall)、Q8(Word Recognition)の小さなサブセットが、予測されたグローバルスコアを一貫して支配していることが明らかになった。
  論文  参考訳（メタデータ） (2025-08-25T02:56:11Z)
• Bayesian Hybrid Machine Learning of Gallstone Risk [0.0]
  ギャルストーン病(Gallstone disease)は、世界的な健康上の重荷を負う複雑な多因子疾患である。 本稿では,ロバストな変数選択と高度な相互作用検出を統合したハイブリッド機械学習フレームワークを提案する。 この枠組みは, 予測を向上するだけでなく, 医療研究や意思決定に有用な支援ツールとして, 実用的な洞察も得られる。
  論文  参考訳（メタデータ） (2025-06-17T14:19:02Z)
• Interpreting Biomedical VLMs on High-Imbalance Out-of-Distributions: An Insight into BiomedCLIP on Radiology [0.0]
  我々は、高度にバランスの取れない、アウト・オブ・ディストリビューションな医療データセットに適用した場合、BiomedCLIPの限界を分析する。 ゼロショット設定下でのモデルは,すべてのラベルを過度に予測し,精度の低下とクラス間分離性に繋がることを示す。 我々は、現実の環境で信頼性と適用性を高めるために、モデルの慎重な適応の必要性を強調します。
  論文  参考訳（メタデータ） (2025-06-17T02:59:42Z)
• LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
  LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。 本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。 実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
  論文  参考訳（メタデータ） (2025-01-07T08:49:04Z)
• Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
  大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
  論文  参考訳（メタデータ） (2024-07-17T07:44:18Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。