論文の概要: Transfer Learning for FHIR Questionnaire Terminology Binding
- arxiv url: http://arxiv.org/abs/2606.15449v1
- Date: Sat, 13 Jun 2026 19:46:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.580235
- Title: Transfer Learning for FHIR Questionnaire Terminology Binding
- Title（参考訳）: FHIRアンケートターミノロジー結合のための伝達学習
- Authors: Maxim Gorshkov,
- Abstract要約: 質問項目のテキストが与えられたら、97,314個のアクティブコードで正しいLOINCコードを見つける。
我々は,54項目の評価セットに対して,TF-IDF,凍結MiniLM,BioBERT,BioLORD,対照的に微調整MiniLM,TF-IDF+GPTリランカの6つの手法を比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electronic prior authorization workflows require FHIR Questionnaire items to carry LOINC codes, yet most items in the HL7 Da Vinci CDS-Library lack these bindings. We treat this as a retrieval problem: given a Questionnaire item's text, find the correct LOINC code in a pool of 97,314 active codes. We compare six methods (TF-IDF, frozen MiniLM, BioBERT, BioLORD, contrastively fine-tuned MiniLM, and a TF-IDF+GPT reranker) on a 54-item evaluation set spanning three query styles (natural question, medium, and terse). No single method wins on every metric. BioLORD, a frozen encoder pre-trained on biomedical ontology definitions, has the best top-rank accuracy (R@1 = 0.185, MRR = 0.246) despite seeing no task-specific data, while a contrastive fine-tune on raw LHC-Forms pairs takes R@5 (0.389) and R@10 (0.426). A distribution-shift ablation shows why the fine-tune in our main table is not the strongest one: adding GPT-generated paraphrases to the raw pairs drops R@5 from 0.389 to 0.296, so the augmented union underperforms raw-only training on every metric except R@1. Performance peaks at 5k training pairs. Error analysis on BioLORD's R@1 failures shows that wrong-specificity and ambiguous-text cases together account for 59% of errors.
- Abstract（参考訳）: 電子的な事前認可ワークフローは、LOINCコードを運ぶためにFHIR質問項目を必要とするが、HL7 Da Vinci CDS-Libraryのほとんどの項目はこれらのバインディングを欠いている。
質問項目のテキストが与えられたら、97,314個のアクティブコードで正しいLOINCコードを見つけます。
54項目のクエリスタイル(自然質問, メディア, テラス)にまたがる評価セットに対して, TF-IDF, 凍結した MiniLM, BioBERT, BioLORD, 対照的に微調整された MiniLM, TF-IDF+GPTリランカ) の6つの手法を比較した。
すべてのメートル法で1つのメソッドが勝つことはない。
生物医学のオントロジー定義に基づいて事前訓練された冷凍エンコーダであるBioLORDは、タスク固有のデータがないにもかかわらず最高ランクの精度(R@1 = 0.185, MRR = 0.246)を持ち、生のLHC-Forms対の対照的な微調整はR@5(0.389)とR@10(0.426)である。
GPT生成パラフレーズを生のペアに追加すると、R@5が0.389から0.296に減少するので、R@1を除く各メトリックでの生のみのトレーニングが過小評価される。
パフォーマンスは5kのトレーニングペアでピークに達する。
BioLORDのR@1障害のエラー解析では、誤った特異性と曖昧なテキストのケースが59%のエラーの原因となっている。
関連論文リスト
- Reading Task Failure Off the Activations: A Sparse-Feature Audit of GPT-2 Small on Indirect Object Identification [0.0]
我々は, GPT-2小火器のスパースオートコーダ(SAE)機能について, 失敗した試験と成功した試験との違いを報告した。
300プロンプトでは、GPT-2小径の精度は79.7%に達し、Bloom (2024)の層8残流SAEリリースの24,576個の特徴のうち146個はホルム補正値の閾値をクリアしている。
17,491, d=+2.93, Neuronpedia label 'cryptographic key' は、プロンプトの転送されたオブジェクトが「キー」である場合を除いて、本質的に静かである。
論文 参考訳（メタデータ） (2026-05-21T16:55:27Z) - Improving BM25 Code Retrieval Under Fixed Generic Tokenization: Adaptive q-Log Odds as a Drop-In BM25 Fix [0.2864713389096699]
凍結したジェネリックトークン化の下で、BM25インデックスは、実行者が制御しないアナライザを持つサーチシステムによって構築されている。
我々は、Robertson-Sprck-Jones 奇数の外対を q-logarithm で置き換える。
トークン化器のアブレーションは、識別子を意識したトークン化がq-IDFからのインクリメンタルなゲインを大幅に取り除くことを示している。
論文 参考訳（メタデータ） (2026-05-18T15:41:01Z) - vstash: Local-First Hybrid Retrieval with Adaptive Fusion for LLM Agents [0.0]
ベクトル類似性検索と全文キーワードマッチングを組み合わせたローカルファーストの文書メモリシステム**vstash**を提案する。
すべてのデータはsqlite-vecを使って近傍の検索に近づき、FTS5でキーワードマッチングを行う単一のファイルに格納される。
論文 参考訳（メタデータ） (2026-04-16T19:22:58Z) - When Domain Pretraining Interferes with Instruction Alignment: An Empirical Study of Adapter Merging in Medical LLMs [0.6345523830122167]
大規模言語モデルは、ドメイン適応と命令アライメントを組み合わせる際に驚くべきアダプタ干渉を示す。
医学LLMのための2段階のLORAパイプラインについて検討し、ドメイン指向事前トレーニング(PT)と教師付き微調整(SFT)を個別に訓練し、後にマージした。
論文 参考訳（メタデータ） (2026-01-26T10:54:06Z) - Adaptive Split-MMD Training for Small-Sample Cross-Dataset P300 EEG Classification [12.103074826558531]
データセット間のシフトは、大きなソースデータセットで小さなターゲットセットを増やそうとするときに発生する。
適応分割最大値離散化学習(AS-MMD)を紹介する。
AS-MMDは、ターゲット重み付き損失とソース/ターゲットサイズ比の平方根に結びついたウォームアップを組み合わせる。
目標のみのトレーニングやプールトレーニングよりも優れています。
論文 参考訳（メタデータ） (2025-10-24T18:48:21Z) - VeriThinker: Learning to Verify Makes Reasoning Model Efficient [52.74493506816969]
大型推論モデルは、Chain-of-Thought (CoT)推論を用いて複雑なタスクで優れている。
過度に考える傾向は、必然的に長い推論連鎖に繋がる。
我々は,CoT圧縮の新しい手法であるVeriThinkerを紹介する。
論文 参考訳（メタデータ） (2025-05-23T14:17:56Z) - BUMP: A Benchmark of Unfaithful Minimal Pairs for Meta-Evaluation of
Faithfulness Metrics [70.52570641514146]
不誠実な最小対 (BUMP) のベンチマークを示す。
BUMPは、889人の人間が書いた最小限のサマリーペアのデータセットである。
非ペアベースのデータセットとは異なり、BUMPはメトリクスの一貫性を測定するために使用することができる。
論文 参考訳（メタデータ） (2022-12-20T02:17:30Z) - LM-Critic: Language Models for Unsupervised Grammatical Error Correction [128.9174409251852]
文を文法的に判断する LM-Critic の定義において,事前訓練された言語モデル (LM) の活用法を示す。
このLM-Critic と BIFI と、ラベルなし文の集合を併用して、現実的な非文法的/文法的ペアをブートストラップし、修正子を訓練する。
論文 参考訳（メタデータ） (2021-09-14T17:06:43Z) - Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。
入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。
分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文 参考訳（メタデータ） (2021-06-14T05:39:09Z) - Break-It-Fix-It: Unsupervised Learning for Program Repair [90.55497679266442]
我々は2つの重要なアイデアを持つ新しいトレーニング手法であるBreak-It-Fix-It (BIFI)を提案する。
批判者は、実際の悪い入力でフィクスダーの出力をチェックし、トレーニングデータに良い(固定された)出力を追加する。
これらのアイデアに基づいて、よりペア化されたデータを生成するために、ブレーカとフィクスチャを同時に使用しながら、繰り返し更新する。
BIFIは既存のメソッドより優れており、GitHub-Pythonで90.5%、DeepFixで71.7%の修正精度がある。
論文 参考訳（メタデータ） (2021-06-11T20:31:04Z) - TACRED Revisited: A Thorough Evaluation of the TACRED Relation
Extraction Task [80.38130122127882]
TACREDはリレーショナル抽出(RE)において最も大きく、最も広く使われているクラウドソースデータセットの1つである
パフォーマンスの天井に到達したのか、改善の余地はあるのか?
ラベルエラーは絶対F1テストエラーの8%を占めており、例の50%以上を可逆化する必要がある。
論文 参考訳（メタデータ） (2020-04-30T15:07:37Z)
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。