論文の概要: Healthcare Mechanisms from Policy-as-Code Search under Strategic Provider Response
- arxiv url: http://arxiv.org/abs/2605.30680v1
- Date: Fri, 29 May 2026 00:21:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.303463
- Title: Healthcare Mechanisms from Policy-as-Code Search under Strategic Provider Response
- Title（参考訳）: 戦略提供者対応下におけるポリシ・アズ・コード検索からの医療メカニズム
- Abstract要約: Medi-Simは5つの戦略的プロバイダチャネル(コーディング、選択、遅延、労力、トリアージ)を備えたマルチエージェントシミュレータである。
インセンティブ・スイープは、隣接するレジームとして古典的な健康・経済の発見を回復させる。
単一の監査レバーは、圧力移動を露呈する。コーディングチャネルを閉じると、低複雑さの選択が倍になる。
- 参考スコア（独自算出の注目度）: 42.72816209582705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Healthcare mechanisms are inseparable from the strategic provider response they induce: existing healthcare AI benchmarks hold this response fixed and so cannot evaluate mechanisms by the equilibrium they produce. We recast hospital mechanism design as program synthesis for language models: typed, inspectable rule programs are executed and scored by Medi-Sim, a multi-agent simulator with five strategic provider channels (coding, selection, delay, effort, triage). An incentive sweep recovers classical health-economics findings as adjacent regimes -- up-coding and low-complexity-patient selection under profit pressure, and Goodhart-style drift where measured performance becomes anti-correlated with true outcomes -- and a single audit lever exposes pressure migration: closing the coding channel more than doubles low-complexity selection. LLM-guided evolutionary code search over the same rule-program space then synthesizes an inspectable mixed-objective program that eliminates up-coding, halves rejection, and retains most of the profit-oriented baseline's funds.
- Abstract（参考訳）: 既存の医療AIベンチマークは、この応答を固定しており、それらが生成する均衡によってメカニズムを評価することができない。
型付き,検査可能なルールプログラムは,5つの戦略的プロバイダチャネル(コーディング,選択,遅延,労力,トリアージ)を備えたマルチエージェントシミュレータであるMedi-Simによって実行され,スコア付けされる。
インセンティブ・スイープ(インセンティブ・スイープ)は、近隣のレジームとして古典的な健康・経済の発見を回復させる。アップコーディングと低複雑さの患者選択、そして測定結果が真の結果と反相関するグッドハートスタイルのドリフトは、単一の監査レバーが圧力移動を露呈し、コーディングチャネルを閉じることによって低複雑さの選択を2倍以上にする。
LLM誘導の進化的コード検索は、同じルールプログラム空間を探索し、検査可能な混合目的プログラムを合成し、アップコーディングを排除し、拒絶を回避し、利益指向のベースラインの資金の大半を保有する。
関連論文リスト
- Machine-learned syndrome post-selection for reliable quantum error correction [0.3181700357675698]
量子エラー訂正は、論理的失敗を引き起こす可能性のある実行を後選択することで強化することができる。
本稿では,症候群データから直接学習する,事実上のデコーダに依存しないポストセレクション手法を提案する。
論文 参考訳（メタデータ） (2026-07-21T20:39:56Z) - Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - Refusal Evaluation in Coding LLMs and Code Agents: A Systematic Review of Thirteen Malicious-Code Prompt Corpora (2023-2025) [0.0]
既存の調査では、コードセキュリティ、ジェイルブレイク分類、または脆弱性検出を中心的な対象として扱い、パス時にのみこれらのコーパスに言及している。
本稿では,素早いデータセットを解析単位として扱う。
合成は3つの連続する方法論的ギャップを表面化する。
論文 参考訳（メタデータ） (2026-05-19T18:05:51Z) - From I/O to Code with Discovery Agent [103.88427301265669]
IO2Codeの発見エージェントであるDIO-Agentを提案する。
本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。
大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2026-05-14T18:57:32Z) - An Agentic LLM-Based Framework for Population-Scale Mental Health Screening [0.3568466510804538]
本稿では,ロバストなLLMパイプライン構築のためのエージェントフレームワークを提案する。
トランスクリプトベースの検出における概念実証は、フレームワークが安定した構成に収束することを証明している。
結果は、大規模な臨床データセット上で集団レベルのメンタルヘルススクリーニングを可能にするエージェントAIの可能性を強調している。
論文 参考訳（メタデータ） (2026-05-13T06:08:43Z) - Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。
従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。
本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-10T06:30:19Z) - DISCO-TAB: A Hierarchical Reinforcement Learning Framework for Privacy-Preserving Synthesis of Complex Clinical Data [2.3915781021862332]
DISCO-TABは、Reinforcement Learningによって最適化された多目的識別器システムを用いて、微調整LDMをオーケストレーションする新しいフレームワークである。
私たちは、高次元の小さな医療データセットを含むさまざまなベンチマークで、私たちのフレームワークを厳格に検証しています。
以上の結果から, 階層的フィードバックは最先端の成果をもたらすことが示され, 下流の臨床的有用性は最大38.2%向上した。
論文 参考訳（メタデータ） (2026-04-01T23:37:58Z) - MedVerse: Efficient and Reliable Medical Reasoning via DAG-Structured Parallel Execution [63.128360383691295]
複雑な医学推論のための推論フレームワークであるMedVerseを提案する。
データ作成には、知識に基づく医学推論経路を合成するMedVerse Curatorを導入する。
我々は、追加のオーバーヘッドを伴わずに並列実行をサポートするカスタマイズされた推論エンジンを開発した。
論文 参考訳（メタデータ） (2026-02-07T12:54:01Z) - MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。
まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。
次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
論文 参考訳（メタデータ） (2025-10-24T02:11:05Z) - HyCodePolicy: Hybrid Language Controllers for Multimodal Monitoring and Decision in Embodied Agents [6.861838493263133]
HyCodePolicyは、エンボディエージェントのための言語ベースの制御フレームワークである。
コード合成、幾何学的接地、知覚的モニタリング、反復的修復をクローズドループプログラミングサイクルに統合する。
その結果,HyCodePolicyはロボット操作ポリシーの堅牢性とサンプル効率を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2025-08-04T17:18:14Z)
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。