論文の概要: From Voting to Agent Collaboration: Answer-Type-Aware LLM Pipelines for BioASQ 14b

• arxiv url: http://arxiv.org/abs/2607.06452v1
• Date: Tue, 07 Jul 2026 16:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.584318
• Title: From Voting to Agent Collaboration: Answer-Type-Aware LLM Pipelines for BioASQ 14b
• Title（参考訳）: 投票からエージェントコラボレーションへ:BioASQ 14bのための解答型LCMパイプライン
• Abstract要約: 本研究では,BioASQ 14bタスクBのための問合せ型特定大言語モデル(LLM)フレームワークを提案する。 すべての質問に1つのプロンプト戦略を適用するのではなく、このフレームワークはイエス/ノー、ファクトイド、リストの異なる推論手順を選択する。 BioASQ 13bの予備実験は,各質問タイプに対する効果的な推論戦略の同定に用いられた。
• 参考スコア（独自算出の注目度）: 12.802727947397308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomedical question answering requires not only accurate extraction of information from scientific literature but also reliable integration of evidence across multiple documents. This study presents a question-type-specific large language model (LLM) framework for BioASQ 14b Task B, designed to improve answer robustness and evidence grounding in biomedical question answering. Rather than applying a single prompting strategy to all questions, the framework selects different inference procedures for yes/no, factoid, and list questions according to their distinct reasoning and evaluation requirements. For yes/no questions, snippet shuffling and self-reflection are used to reduce sensitivity to evidence ordering and improve decision stability. For factoid questions, full-snippet input is combined with chain-of-thought-based in-context learning to support accurate biomedical entity identification. For list questions, a multi-agent architecture is employed, in which evidence extraction, candidate generation, answer verification, and final aggregation are handled collaboratively. Preliminary experiments on BioASQ 13b were used to identify effective inference strategies for each question type, and the resulting framework was subsequently evaluated in the official BioASQ 14b Task B challenge. In the official evaluation, our framework showed competitive performance across multiple batches and achieved first place in the factoid subtask of Batch 4. These results demonstrate the effectiveness of combining question-type-specific inference, ensemble prediction, and agent-based verification for reliable biomedical question answering.
• Abstract（参考訳）: 生物医学的な質問に答えるには、科学的文献からの正確な情報の抽出だけでなく、複数の文書にまたがる証拠の統合も必要である。 本研究では,バイオマスQ 14bタスクBのための問合せ型大規模言語モデル(LLM)フレームワークを提案する。 すべての質問に対して単一のプロンプト戦略を適用するのではなく、このフレームワークは、イエス/ノー、ファクトイドの異なる推論手順を選択し、それぞれの異なる推論と評価要求に従って質問をリストアップする。 イエス/ノー質問に対しては、スニペットシャッフルと自己回帰を用いて、証拠の順序付けに対する感度を低減し、決定安定性を向上させる。 ファクトイックな質問に対して、フルスニペット入力とチェーン・オブ・コンテクスト・ラーニングを組み合わせることで、正確なバイオメディカル・エンティティの識別を支援する。 リスト質問には、エビデンス抽出、候補生成、回答検証、最終集計を協調的に扱うマルチエージェントアーキテクチャが使用される。 BioASQ 13bの予備実験は,各質問タイプ毎の効果的な推論戦略の同定に用いられ,その結果の枠組みはBioASQ 14bタスクBの課題として評価された。 公式評価では,本フレームワークは複数バッチ間での競合性能を示し,Batch 4のファクトイドサブタスクで1位を獲得した。 これらの結果は,信頼性の高いバイオメディカル質問応答に対する質問型特定推論,アンサンブル予測,エージェントベース検証の組み合わせの有効性を示す。

関連論文リスト

• Adaptive Retrieval Strategies for Biomedical Question Answering [10.793379752589166]
  本稿では,質問タイプに応じた検索と証拠収集戦略を選択する適応型検索フレームワークを提案する。 提案手法をBioASQベンチマークで評価し,アダプティブ検索手法がエビデンスと応答品質を改善していることを示す。
  論文  参考訳（メタデータ） (2026-06-02T22:22:28Z)
• 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)
• MedHopQA: A Disease-Centered Multi-Hop Reasoning Benchmark and Evaluation Framework for LLM-Based Biomedical Question Answering [11.3883842897598]
  MedHopQAは、1000の専門家による質問応答ペアからなる、疾患中心のマルチホップ推論ベンチマークである。 各質問はウィキペディアの異なる2つの記事にまたがる情報の合成を必要とし、回答はオープンエンドのフリーテキスト形式で提供される。
  論文  参考訳（メタデータ） (2026-05-12T16:32:43Z)
• UETQuintet at BioCreative IX - MedHopQA: Enhancing Biomedical QA with Selective Multi-hop Reasoning and Contextual Retrieval [0.0]
  直接質問と逐次質問の両方を効果的に解決するモデルを提案する。 マルチソース情報検索とインコンテキスト学習を利用して、回答を生成するためのリッチで関連するコンテキストを提供する。 当社のアプローチでは,Exact Matchスコア0.84を達成し,現行のリーダボードで2位となった。
  論文  参考訳（メタデータ） (2026-01-11T16:12:38Z)
• Harnessing Collective Intelligence of LLMs for Robust Biomedical QA: A Multi-Model Approach [44.035446389573345]
  第13回BioASQチャレンジへの参加について紹介する。 バイオメディカルな疑問に答えるために,オープンソースの大規模言語モデル(LLM)を検索強化ジェネレータとして展開する。 我々は、13の最先端のオープンソースLLMを評価し、最終的な回答に貢献するために、あらゆる可能なモデルの組み合わせを探索した。
  論文  参考訳（メタデータ） (2025-08-02T20:20:08Z)
• ELOQ: Resources for Enhancing LLM Detection of Out-of-Scope Questions [52.33835101586687]
  本研究では,検索した文書が意味的に類似しているように見えるスコープ外質問について検討するが,答えるために必要な情報がない。 本稿では,閉経後の文書から多様なスコープ外質問を自動的に生成するための,幻覚に基づくELOQを提案する。
  論文  参考訳（メタデータ） (2024-10-18T16:11:29Z)
• MQAG: Multiple-choice Question Answering and Generation for Assessing Information Consistency in Summarization [55.60306377044225]
  最先端の要約システムは高度に流動的な要約を生成することができる。 しかし、これらの要約には、情報源に存在しない事実上の矛盾や情報が含まれている可能性がある。 本稿では,ソース情報と要約情報を直接比較する,標準的な情報理論に基づく代替手法を提案する。
  論文  参考訳（メタデータ） (2023-01-28T23:08:25Z)
• Query-focused Extractive Summarisation for Biomedical and COVID-19 Complex Question Answering [0.0]
  本稿では,最近の2つのBioASQ Synergy Tasksへのマッコーリー大学の参加について述べる。 本稿では, 問合せに焦点を絞った抽出要約手法を適用し, 生体医学的問題に対する複雑な回答を生成する。 The Synergy task, we selected the candidate sentences following two phases: document search and snippet search。 そこで本研究では,BioASQ10bトレーニングデータの下半期にトレーニングを行った結果の改善について検討した。
  論文  参考訳（メタデータ） (2022-09-05T07:56:44Z)
• Query-Focused Extractive Summarisation for Finding Ideal Answers to Biomedical and COVID-19 Questions [7.6997148655751895]
  マカリー大学はBioASQ Synergy TaskとBioASQ9b Phase Bに参加した。 我々は,BioASQ8bのトレーニングデータセットを用いて,問合せに着目した要約システムを用いた。 システムによって回収された文書やスニペットの質が低かったことを踏まえ,回答の質は適度に良好であった。
  論文  参考訳（メタデータ） (2021-08-27T09:19:42Z)
• A New Score for Adaptive Tests in Bayesian and Credal Networks [64.80185026979883]
  テストは、そのシークエンスと質問数とが、テイカーの推定スキルに基づいて動的に調整されるときに適応する。 後部確率のモードに基づいて、別のスコアの族を提示するので、説明し易い。
  論文  参考訳（メタデータ） (2021-05-25T20:35:42Z)
• Logically Consistent Loss for Visual Question Answering [66.83963844316561]
  ニューラルネットワークに基づく視覚質問応答(VQA)の現在の進歩は、同じ分布(すなわち、d)の仮定による一貫性を保証することができない。 マルチタスク学習フレームワークにおける論理的一貫した損失を定式化することにより,この問題に対処するための新しいモデルに依存しない論理制約を提案する。 実験により、提案された損失公式とハイブリッドバッチの導入により、一貫性が向上し、性能が向上することを確認した。
  論文  参考訳（メタデータ） (2020-11-19T20:31:05Z)
• Interpretable Multi-Step Reasoning with Knowledge Extraction on Complex Healthcare Question Answering [89.76059961309453]
  HeadQAデータセットには、公衆医療専門試験で認可された複数の選択質問が含まれている。 これらの質問は、現在のQAシステムにとって最も難しいものです。 知識抽出フレームワーク(MurKe)を用いた多段階推論を提案する。 市販の事前訓練モデルを完全に活用しようと努力しています。
  論文  参考訳（メタデータ） (2020-08-06T02:47:46Z)

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。