論文の概要: MedJudgeRAG: Option-Wise Evidence Judgment with Dynamic Knowledge Graphs for Medical MCQA

• arxiv url: http://arxiv.org/abs/2607.24838v1
• Date: Fri, 24 Jul 2026 06:02:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.544734
• Title: MedJudgeRAG: Option-Wise Evidence Judgment with Dynamic Knowledge Graphs for Medical MCQA
• Title（参考訳）: MedJudgeRAG:医療MCQAのための動的知識グラフを用いたオプションワイズ証拠判断
• Abstract要約: MCQA(Multiple-choice Question answering)では、Retrieval-Augmented Generation(RAG)は言語モデル(LM)のドメイン知識を補うことができる。 本フレームワークは,検索した文書を,エンティティと関係性からなる動的知識グラフ(KG)として表現する。 MedJudgeRAGはバニラRAGとパラメトリックベースラインの両方を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 7.470323681083646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In medical multiple-choice question answering (MCQA), Retrieval-Augmented Generation (RAG) can supplement the domain knowledge of language models (LMs). However, since vanilla RAG indiscriminately utilizes retrieved documents, it can degrade LM performance. To address this, we propose MedJudgeRAG. Our framework represents retrieved documents as a dynamic knowledge graph (KG) composed of entities and relations. For each option, the model judges an evidence verdict from the retrieved documents and the KG. Based on the verdict combination, the model determines a knowledge utilization strategy to reason toward the final answer. These capabilities are trained via supervised fine-tuning using structured reasoning traces generated by a teacher LM. The training employs a weighted cross-entropy loss that differentially weights the KG and reasoning segments. Experiments on two medical MCQA benchmarks demonstrate that MedJudgeRAG consistently outperforms both vanilla RAG and parametric baselines. Furthermore, ablation analysis reveals that the dynamic KG is more effective as graph-conditioned supervision at training time than as an explicit output at inference time. Our code is available at https://github.com/hyu-amllab/medjudgerag, and the generated reasoning traces are released at https://huggingface.co/datasets/youarethewon/medjudgerag.
• Abstract（参考訳）: MCQA(Multiple-choice Question answering)では、Retrieval-Augmented Generation(RAG)は言語モデル(LM)のドメイン知識を補うことができる。 しかしながら、バニラRAGは検索した文書を無差別に利用するため、LM性能を劣化させることができる。 そこで我々はMedJudgeRAGを提案する。 本フレームワークは,検索した文書を,エンティティと関係性からなる動的知識グラフ(KG)として表現する。 各選択肢について、モデルが検索した文書とKGから証拠を判断する。 判定の組み合わせに基づいて、モデルは最終回答を推論するための知識利用戦略を決定する。 これらの能力は教師のLMが生成した構造化推論トレースを用いて教師付き微調整によって訓練される。 トレーニングでは、KGと推論セグメントを異なる重み付けで重み付けしたクロスエントロピー損失が採用されている。 2つの医療MCQAベンチマークの実験では、MedJudgeRAGはバニラRAGとパラメトリックベースラインの両方を一貫して上回っている。 さらに、アブレーション解析により、動的KGは推論時の明示的な出力よりも、トレーニング時のグラフ条件付き監視としてより効果的であることが判明した。 私たちのコードはhttps://github.com/hyu-amllab/medjudgeragで、生成された推論トレースはhttps://huggingface.co/datasets/youarethewon/medjudgeragでリリースされています。

関連論文リスト

• PathISE: Learning Informative Path Supervision for Knowledge Graph Question Answering [35.58843209572786]
  回答レベルラベルから高品質な中間監視を学習するための新しいフレームワークPathISEを提案する。 3つのKGQAベンチマークの大規模な実験は、PathISEが競争力または最先端のKGQA性能を達成することを示している。
  論文  参考訳（メタデータ） (2026-05-11T16:21:47Z)
• Detecting Hallucinations for Large Language Model-based Knowledge Graph Reasoning [48.237729567730696]
  LLMベースのノウルDgeグラフ推論フレームワークのための最初の半減期デテCtIon法であるLUCIDを提案する。 LUCIDはLLMアテンションスコア、KGセマンティクス、構造情報を共同で活用する。 9つのデータセットの実験では、LUCIDは15のベースラインと比較して、アートパフォーマンスの状態を達成している。
  論文  参考訳（メタデータ） (2026-04-27T12:20:28Z)
• GROUNDEDKG-RAG: Grounded Knowledge Graph Index for Long-document Question Answering [5.001448044530164]
  GroundedKG-RAGは、ソース文書から知識グラフを明示的に抽出し、グラウンド化するRAGシステムである。 セマンティック・ロール・ラベリング(SRL)と抽象的意味表現(AMR)からグラウンドドKGを構築し,それを検索に埋め込む。 我々は、NarrativeQAデータセットの例から、GroundedKG-RAGを評価し、最先端のプロプライエタリな長文モデルと同等に動作し、より安価に動作し、競争ベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-04-06T02:12:30Z)
• UltRAG: a Universal Simple Scalable Recipe for Knowledge Graph RAG [4.612466149994232]
  Retrieval augmented generation (RAG) は、知識コーパス内の情報を特定し、それをモデルのコンテキストウィンドウに配置することで、事実エラーを減らそうとする。 本稿では,従来のRAGから切り離された知識グラフから情報を取得するための一般的なフレームワークであるULTRAGを紹介する。 我々の実験では、ULTRAGは最先端のKG-RAGソリューションと比較して性能が向上する。
  論文  参考訳（メタデータ） (2026-01-28T14:31:29Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need? [57.28763506780752]
  GraphFlowは、テキストリッチなKGから現実世界のクエリに必要な正確で多様な知識を効率的に取得するフレームワークである。 GPT-4oを含む強力なKG-RAGベースラインを10%上回り、ヒット率とリコール率で上回る。 また、KGを見えないものに強く一般化し、その有効性と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-10-18T17:06:49Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• MIXRAG : Mixture-of-Experts Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [6.596018318578605]
  Retrieval-Augmented Generation (RAG)は、推論中に外部知識ソースを組み込むことで、Large Language Models (LLM)を強化する。 既存のアプローチのほとんどは、関連するサブグラフを特定するために単一のレトリバーに依存しており、複雑なクエリのさまざまな側面をキャプチャする能力を制限する。 そこで我々は,Mixture-of-Experts Graph-RAGフレームワークであるMIXRAGを提案する。
  論文  参考訳（メタデータ） (2025-09-24T02:44:57Z)
• ReasoningLM: Enabling Structural Subgraph Reasoning in Pre-trained Language Models for Question Answering over Knowledge Graph [142.42275983201978]
  本稿では,構造化推論を行うためのGNNを模倣するサブグラフ認識型自己認識機構を提案する。 また、モデルパラメータを2万のサブグラフで合成した質問に適応するための適応チューニング戦略も採用する。 実験により、ReasoningLMは、更新されたパラメータが少なく、トレーニングデータが少ない場合でも、最先端のモデルを大きなマージンで上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-30T07:18:54Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)

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。