論文の概要: LLM-Conditioned Synthesis of Pathological Gaits via Structured Gait-Language Representations

• arxiv url: http://arxiv.org/abs/2606.06048v2
• Date: Fri, 05 Jun 2026 13:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.325499
• Title: LLM-Conditioned Synthesis of Pathological Gaits via Structured Gait-Language Representations
• Title（参考訳）: LLM-Conditioned Synthesis of Pathological Gait through Structured Gait-Language Representations (特集:平成11年度日本臨床医学会学術講演会)
• Authors: Mritula Chandrasekaran, Sanket Kachole, Jarek Francik, Dimitrios Makris,
• Abstract要約: 病的歩行データセットは、プライバシ、採用、コスト、運動の多様性のために、依然として不足している。 本研究は,構造的テキスト記述からの3次元歩行データ合成のためのマルチモーダルLLM誘導フレームワークを提案する。 このフレームワークは、モーショントークン化、病理認識言語条件付け、LLMベースのセマンティック拡張、言語対外生成を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 11.395610680393276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathological gait datasets remain scarce due to privacy, recruitment, cost, and movement variability. Our work presents a multimodal LLM-guided framework for pathology-aware 3D gait data synthesis from structured textual descriptions. The proposed method generates fixed-length synthetic skeleton-based gait sequences for pathological gait classification tasks. The framework combines motion tokenisation, pathology-aware language conditioning, LLM-based semantic augmentation, and language-to-gait generation. A key contribution is the proposed pathological tokeniser, which is designed to preserve pathology-specific motion characteristics during discrete representation learning. Experiments suggest that the proposed synthetic sequences improve downstream classification for recurrent classifiers when combined with real data. The best result is obtained using a GRU classifier trained with real and synthetic samples, achieving 92.77\% accuracy under a leave-one-subject-out protocol.
• Abstract（参考訳）: 病的歩行データセットは、プライバシ、採用、コスト、運動の多様性のために、依然として不足している。 本研究は,構造的テキスト記述からの3次元歩行データ合成のためのマルチモーダルLLM誘導フレームワークを提案する。 提案手法は,病的歩行分類タスクのための固定長合成骨格に基づく歩行シーケンスを生成する。 このフレームワークは、モーショントークン化、病理認識言語条件付け、LLMベースのセマンティック拡張、言語対外生成を組み合わせたものである。 個別表現学習における病理特異的運動特性の保存を目的とした病理トークンサが提案されている。 実験により,提案した合成シーケンスは,実データと組み合わせた繰り返し分類器の下流分類を改善することが示唆された。 最も優れた結果は、実検体と合成検体で訓練されたGRU分類器を用いて得られ、残量1オブジェクトアウトプロトコルで92.77\%の精度が得られる。

関連論文リスト

• 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)
• PGcGAN: Pathological Gait-Conditioned GAN for Human Gait Synthesis [11.395610680393276]
  本稿では,3次元ポーズ・キーポイント・トラジェクトリデータから直接,病理特異的な歩行シーケンスを合成するPGcGAN(Pathological Gait- Conditioned Generative Adversarial Network)を提案する。 このフレームワークは、ジェネレータと識別器の両方に1ホットエンコードされた病理ラベルを組み込み、6つの歩行カテゴリで制御された合成を可能にする。
  論文  参考訳（メタデータ） (2026-03-15T14:50:23Z)
• AI Co-Scientist for Knowledge Synthesis in Medical Contexts: A Proof of Concept [0.0]
  本稿では,人口,インターベンション,コンパレータ,アウトカム,学習デザイン(PICOS)の明示的な形式化に基づく,スケーラブルで透明な知識合成のためのAIを提案する。 このプラットフォームはリレーショナルストレージ、ベクトルベースのセマンティック検索、Neo4jナレッジグラフを統合している。 その結果,PICOS対応で説明可能な自然言語処理は,エビデンス合成のスケーラビリティ,透明性,効率性を向上できることがわかった。
  論文  参考訳（メタデータ） (2026-01-16T23:07:58Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Improving LLM-based Ontology Matching with fine-tuning on synthetic data [0.0]
  大規模言語モデル(LLM)は、オントロジーマッチングパイプラインの様々なコンポーネントに統合されつつある。 本稿では,LLMがオントロジーモジュール上で直接一致し,対応するアライメントを生成する能力について検討する。 専用の微調整戦略は、ゼロショット設定でモデルのマッチング性能を高めることができる。
  論文  参考訳（メタデータ） (2025-11-27T16:46:45Z)
• From Fuzzy Speech to Medical Insight: Benchmarking LLMs on Noisy Patient Narratives [40.12543056558646]
  本稿では, 言語ノイズ, ファジィ言語, 在人用語のレベルの違いを特徴とする, 患者自己記述のシミュレートを目的とした新しいデータセットを提案する。 本データセットは, 多様な実世界の報告スタイルを反映する, コミュニケーションの明瞭度の範囲にまたがる, 地中真実診断を付加した, 臨床的に一貫したシナリオから構成される。 本研究では,NDB(Nuisy Diagnostic Benchmark)を作成した。NDB(Nuisy Diagnostic Benchmark)は,ストレステスト用に設計され,現実的な言語条件下での大規模言語モデル(LLM)の診断能力を比較する。
  論文  参考訳（メタデータ） (2025-09-15T11:34:46Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• Synthetic Data for Robust Stroke Segmentation [0.0]
  ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。 本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。 我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
  論文  参考訳（メタデータ） (2024-04-02T13:42:29Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)

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。