論文の概要: What's in a Name? Morphological Shortcuts by LLMs in Pharmacology

• arxiv url: http://arxiv.org/abs/2606.05616v1
• Date: Thu, 04 Jun 2026 02:40:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.502243
• Title: What's in a Name? Morphological Shortcuts by LLMs in Pharmacology
• Title（参考訳）: 名前には何があるのか : LLMによる薬理学における形態的ショートカット
• Authors: Kaijie Mo, Thomas Yang, Chantal Shaib, Qing Yao, William Rudman, Ramez Kouzy, Kanishka Misra, Byron C. Wallace, Junyi Jessy Li,
• Abstract要約: 薬理学における「接点」の行動学的・力学的研究について述べる。 Affix シグナルだけではクラスレベルの薬理学的反応を誘発することを示す。 本研究は, モデル薬物の意味が主に接尾辞, 茎, 薬名全体によって駆動されているかどうかを同定する枠組みを提案する。
• 参考スコア（独自算出の注目度）: 36.7297406089205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The morphological form of a word can often give cues to its meaning, but purely relying on these mappings can lead to overgeneralization in high-stakes domains. In the medical domain, for instance, LLMs can confidently reason about fictitious drugs from their affixes alone (e.g., wugcillin) and generate plausible-looking clinical content. We present a behavioral and mechanistic study of LLM "affix heuristics" in pharmacology. Using fictitious drug names built from real affixes, we show that affix signals alone elicit class-level pharmacological responses. We introduce a framework for identifying whether a model's drug semantics are driven mainly by the affix, the stem, or the drug name as a whole. Applied across 653 drugs, our framework reveals that models often induce drug meaning primarily through affix cues, yet rarely explicitly indicate this reliance, and sometimes incorrectly conflate properties among affix-sharing drugs. Activation patching across models further localizes this behavior to early-mid layers. These findings show that morphological shortcuts pose a subtle but measurable risk to safety.
• Abstract（参考訳）: 単語のモルフォロジー形式は、しばしばその意味に手がかりを与えるが、純粋にこれらのマッピングに依存することは、高次の領域における過一般化につながる。 例えば、医学領域では、LSMは、接尾辞のみ(例えば、ウグシリン)から架空の薬物について自信を持って推論し、プラプシブルな臨床内容を生成することができる。 薬理学におけるLLMの「補助ヒューリスティックス」に関する行動・機械学的研究について述べる。 実際の接尾辞から作られた架空の薬物名を用いて, 接尾辞信号だけではクラスレベルの薬理学的反応を誘発することを示した。 本研究は, モデル薬物の意味が主に接尾辞, 茎, 薬名全体によって駆動されているかどうかを同定する枠組みを提案する。 653種類の薬物に適用すると、モデルが主に接尾辞によって薬物の意味を誘導するが、この依存を明示的に示すことは稀であり、時には接尾辞共有薬の性質を誤って説明することもある。 モデル間のアクティベーションパッチは、この振る舞いをさらに早期中間層にローカライズする。 これらの結果は、形態的ショートカットが微妙だが測定可能なリスクを安全にもたらすことを示している。

関連論文リスト

• Tracing Pharmacological Knowledge In Large Language Models [0.0]
  薬物群セマンティクスが大規模言語モデル内でどのように表現され,検索されるかを検討する。 初期の層は、薬物グループの知識をコードする上で重要な役割を担っている。 薬物群セマンティクスはトークンに分散しており、すでに埋め込み空間に存在している。
  論文  参考訳（メタデータ） (2026-03-03T17:04:08Z)
• Do "New Snow Tablets" Contain Snow? Large Language Models Over-Rely on Names to Identify Ingredients of Chinese Drugs [79.00288739947406]
  伝統的な中国医学(TCM)は医療に採用され、臨床応用をサポートするために、LLM(Large Language Models)が出現している。 これらのモデルの基本的な要件は、TCM薬物成分の正確な同定である。 我々の系統的分析では、一貫した障害パターンが明らかである: モデルでは、しばしば文字通り、薬物名を理解し、関連性に関係なく共通のハーブを過剰に使用し、不慣れな定式化に直面した時に不規則な振る舞いを示す。
  論文  参考訳（メタデータ） (2025-04-03T17:43:45Z)
• Emerging Opportunities of Using Large Language Models for Translation Between Drug Molecules and Indications [6.832024637226738]
  薬物分子とそれに対応する指標を翻訳する新しい課題を提案する。 表示からの分子の生成、またはその逆は、病気のより効率的なターゲティングを可能にする。
  論文  参考訳（メタデータ） (2024-02-14T21:33:13Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Clinical Named Entity Recognition using Contextualized Token Representations [49.036805795072645]
  本稿では,各単語の意味的意味をより正確に把握するために,文脈型単語埋め込み手法を提案する。 言語モデル(C-ELMo)とC-Flair(C-Flair)の2つの深い文脈型言語モデル(C-ELMo)を事前訓練する。 明示的な実験により、静的単語埋め込みとドメインジェネリック言語モデルの両方と比較して、我々のモデルは劇的に改善されている。
  論文  参考訳（メタデータ） (2021-06-23T18:12:58Z)

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。