論文の概要: EviDAG: Auditable Causal DAG Authoring with Biomedical Literature

• arxiv url: http://arxiv.org/abs/2607.21859v2
• Date: Mon, 27 Jul 2026 21:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 14:13:57.662251
• Title: EviDAG: Auditable Causal DAG Authoring with Biomedical Literature
• Title（参考訳）: EviDAG: バイオメディカルな文献を執筆するAuditable Causal DAG
• Authors: Yi-han Sheu, Michael R. Steigman, Yu Zhou, Bo Wang, Fan-Yu Yen, Jordan W. Smoller,
• Abstract要約: EviDAGは,バイオメディカル文献から得られた聴覚的,エビデンスにリンクしたアーティファクトとして,因果DAGをオーサリングするためのブラウザベースのシステムである。 提案された各エッジには、信頼推定、証明、レビュー可能な理論的根拠が含まれる。 EviDAGは文献ベースのコホート上で高いエッジリコールを達成し、LSMのみのベースラインから欠落した証拠を確実に保持する。
• 参考スコア（独自算出の注目度）: 3.9274604824602584
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Constructing causal directed acyclic graphs (DAGs) is a core step in biomedical causal analysis, yet it remains a largely manual process. Analysts must connect study variables to prior literature, evaluate uncertain causal claims, and preserve sufficient provenance for expert review. We present EviDAG, a browser-based system for authoring causal DAGs as auditable, evidence-linked artifacts from biomedical literature. Given free-text descriptions of study concepts, EviDAG creates a reproducible literature snapshot, uses an LLM-based reasoning module to generate structured pairwise causal judgments, links literature-supported judgments to verbatim evidence excerpts, and assembles the judgments into a constraint-checked graph. Each proposed edge includes confidence estimates, provenance, and a reviewable rationale. The interface supports study specification, progress monitoring, evidence review, graph comparison, adjustment-set computation, and export. In evaluations against both compact benchmark DAGs and reference DAGs derived from published literature, EviDAG achieves high edge recall on the literature-based cohort while retaining verifiable evidence trails absent from LLM-only baselines. EviDAG thus reduces the burden of causal DAG curation while making the resulting assumptions auditable, supporting the design, analysis, and interpretation of biomedical studies.
• Abstract（参考訳）: 因果指向非環状グラフ(DAG)の構築は、医学的因果解析における中核的なステップである。 研究者は、研究変数を事前の文献と結びつけ、不確実な因果的主張を評価し、専門家のレビューのために十分な証明を維持する必要がある。 EviDAGは,バイオメディカル文献から得られた聴覚的,エビデンスにリンクしたアーティファクトとして,因果DAGをオーサリングするためのブラウザベースのシステムである。 EviDAGは、研究概念を自由テキストで記述した上で、再現可能な文献スナップショットを作成し、LLMベースの推論モジュールを使用して、構造化されたペア因果判断を生成し、文学が支持する判断を口頭弁別的証拠の抜粋にリンクし、その判断を制約チェックされたグラフに組み立てる。 提案された各エッジには、信頼推定、証明、レビュー可能な理論的根拠が含まれる。 インターフェースは、研究仕様、進捗監視、エビデンスレビュー、グラフ比較、調整セット計算、エクスポートをサポートする。 論文から得られたコンパクトベンチマークDAGと参照DAGの両方に対する評価において、EviDAGはLLMのみのベースラインから欠落した検証済みの証拠を保ちながら、文献ベースのコホート上で高いエッジリコールを達成する。 EviDAGは因果DAG治療の負担を軽減し、その結果の仮定を監査可能とし、生体医学研究の設計、分析、解釈をサポートする。

関連論文リスト

• Insights Generator: Systematic Corpus-Level Trace Diagnostics for LLM Agents [4.316569498378906]
  本稿では,多エージェントシステムである Insights Generator (IG) について述べる。 IGレポートを用いた人間の専門家は、修正されていないベースラインの足場上での足場性能を30.4pp向上させた。 IGのスカウト・インベスティゲータアーキテクチャは、検出カバレッジと競合するアプローチに匹敵する結果をもたらす。
  論文  参考訳（メタデータ） (2026-05-20T16:13:53Z)
• Reason and Verify: A Framework for Faithful Retrieval-Augmented Generation [0.0]
  本稿では,明示的なレアソニングと忠実度検証を統合したドメイン固有RAGフレームワークを提案する。 我々のアーキテクチャは、ニューラルネットワークの書き換え、BGEベースのクロスエンコーダのランク付け、合理生成モジュールによる標準検索を強化する。 我々は、このフレームワークをBioASQとPubMedQAベンチマークで評価し、動的インコンテキスト学習の影響を具体的に分析する。
  論文  参考訳（メタデータ） (2026-03-10T18:25:07Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)
• Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents [64.43980129731587]
  因果診断・矯正法(CDC)という因果推論時間脱バイアス法を提案する。 CDCはまず、パープレキシティのバイアス効果を診断し、その後、全体の関連スコアからバイアス効果を分離する。 3つの領域にまたがる実験結果から, より優れた脱バイアス効果が示された。
  論文  参考訳（メタデータ） (2025-03-11T17:59:00Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)

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。