論文の概要: ANCHOR-RE: An Agentic Neuro-Symbolic Framework for Grounded Biomedical Relation Extraction

• arxiv url: http://arxiv.org/abs/2608.03154v1
• Date: Tue, 04 Aug 2026 05:36:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.044482
• Title: ANCHOR-RE: An Agentic Neuro-Symbolic Framework for Grounded Biomedical Relation Extraction
• Title（参考訳）: AnCHOR-RE : 接地型バイオメディカルリレーション抽出のためのエージェント型ニューロシンボリックフレームワーク
• Abstract要約: ANCHOR-REは、オントロジー誘導推論、外部知識基盤、データ駆動検証ルールを統合するフレームワークである。 プロプライエタリおよびオープンウェイトLLMを用いて,3つのBioREベンチマーク(SemRepGS,DDI,ChemProt)で評価した。 ニューロシンボリック推論は、微調整なしでLLMベースのBioREの信頼性を向上させることができる。
• 参考スコア（独自算出の注目度）: 5.624249017853434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical relation extraction (BioRE) extracts structured knowledge from biomedical literature for applications such as knowledge base construction and hypothesis generation. Traditional symbolic systems such as SemRep provide high precision but limited recall, while large language models (LLMs) offer stronger contextual reasoning but remain prone to false-positive predictions. We developed ANCHOR-RE, a framework that integrates ontology-guided reasoning, external knowledge grounding, and data-driven verification rules into LLM inference. We evaluated it on three BioRE benchmarks (SemRepGS, DDI, and ChemProt) using both proprietary and open-weight LLMs. To assess generalizability beyond benchmark datasets while reducing potential evaluation bias from LLM pretraining contamination, we conducted a temporal evaluation using 100 biomedical articles published in 2026. With the proprietary backbone, ANCHOR-RE outperformed direct LLM prompting, improving micro-F1 from 0.654 to 0.676 on SemRepGS, from 0.769 to 0.872 on DDI, and from 0.939 to 0.941 on ChemProt. On DDI and ChemProt, it also outperformed previously reported inference-only methods and approached fine-tuned or instruction-tuned systems without parameter updates. Similar performance gains observed with open-weight LLMs indicate that the benefits were not limited to the proprietary backbone. On the post-cutoff set, manual assessment of 500 randomly sampled predictions yielded a precision of 69%, maintaining consistent precision on previously unseen biomedical literature. Neuro-symbolic reasoning can improve the reliability of LLM-based BioRE without fine-tuning. Results across multiple benchmarks, model families, and post-cutoff literature support ANCHOR-RE as a practical training-free approach to biomedical literature mining.
• Abstract（参考訳）: バイオメディカル関連抽出(BioRE)は、知識ベース構築や仮説生成などの応用のために、バイオメディカル文献から構造化された知識を抽出する。 SemRepのような伝統的な記号体系は精度は高いがリコールは限定的であるが、大きな言語モデル(LLM)はより強い文脈推論を提供するが、偽陽性の予測をしがちである。 我々は、オントロジー誘導推論、外部知識基盤、データ駆動検証ルールをLCM推論に統合するフレームワークであるANCHOR-REを開発した。 プロプライエタリおよびオープンウェイトLLMを用いて,3つのBioREベンチマーク(SemRepGS,DDI,ChemProt)で評価した。 2026年に公表された100のバイオメディカル論文を用いて, LLMプレトレーニング汚染の潜在的な評価バイアスを低減しつつ, ベンチマークデータセットを超える一般化性を評価するために, 時間的評価を行った。 プロプライエタリなバックボーンにより、ANCHOR-RE は直接 LLM よりも優れ、SemRepGS では 0.654 から 0.676 に、DDI では 0.769 から 0.872 に、ChemProt では 0.939 から 0.941 に改善された。 DDIとChemProtでは、以前報告された推論のみの手法よりも優れており、パラメータを更新せずに微調整または命令調整されたシステムにアプローチしている。 オープンウェイト LLM で見られる同様の性能向上は、その利点がプロプライエタリなバックボーンに限ったものではないことを示している。 カットオフ後,500件の無作為サンプリング予測を手作業で評価したところ,69%の精度が得られた。 ニューロシンボリック推論は、微調整なしでLLMベースのBioREの信頼性を向上させることができる。 複数のベンチマーク、モデルファミリー、そしてポストカットオフ文学の成果は、バイオメディカル文献マイニングの実践的なトレーニングなしアプローチとしてANCHOR-REを支持している。

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)
• SL-BiLEM: Structured Learnable Behavior-in-the-Loop Epidemic Modeling for Forecasting and Policy Evaluation [42.644852156101685]
  エピデミック予測は、人間の行動が病気の拡散に動的に反応する、という根本的な課題に直面している。 頑健な外挿のための正則化として物理的制約を利用するtextbfSL-BiLEM(Structured Learnable Behavior-in-the-Loop Epidemic Model)を提案する。
  論文  参考訳（メタデータ） (2026-05-26T08:46:04Z)
• MedMeta: A Benchmark for LLMs in Synthesizing Meta-Analysis Conclusion from Medical Studies [0.8322112116381115]
  大規模言語モデル(LLM)は、実際のリコールをテストする飽和標準医療ベンチマークを持つ。 MedMetaはLLMが医療メタ分析から結論を出す能力を評価するために設計された最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-05-10T17:20:39Z)
• Multi-Task LLM with LoRA Fine-Tuning for Automated Cancer Staging and Biomarker Extraction [6.53191669778827]
  本研究では,腫瘍リンパ節転移(TNM)のステージング,組織学的グレード,バイオマーカーの抽出を自動化するためのパラメータ効率,マルチタスクフレームワークを提案する。 Llama-3-8B-Instruct encoderをLoRA(Lo-Rank Adaptation)を用いて10,677のレポートをキュレートして検証した。
  論文  参考訳（メタデータ） (2026-04-14T22:26:30Z)
• Eligibility-Aware Evidence Synthesis: An Agentic Framework for Clinical Trial Meta-Analysis [49.83108591873481]
  EligMetaはエージェントフレームワークで、自動トライアル発見と、資格を意識したメタ分析を統合する。 フレームワークは、目標トライアル間の人口アライメントを反映した類似性に基づく研究重量を計算し、適性基準を構造化する。
  論文  参考訳（メタデータ） (2026-04-03T03:18:50Z)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• RELATE: Relation Extraction in Biomedical Abstracts with LLMs and Ontology Constraints [2.844531679990474]
  我々は,LLM抽出された関係を標準化されたKGにマッピングする3段階パイプラインであるRELATEを紹介する。 パイプラインには、(1)埋め込みによる前処理、(2)SapBERTで強化された類似性ベースの検索、(3)明示的な否定処理を備えた再ランクが含まれる。 ChemProtベンチマークでは、RELATEは52%の正確な一致と94%の精度@10を2,400 HEAL Projectの抽象化で達成している。
  論文  参考訳（メタデータ） (2025-09-23T14:21:46Z)
• From Scores to Steps: Diagnosing and Improving LLM Performance in Evidence-Based Medical Calculations [45.414878840652115]
  大規模言語モデル(LLM)は医療ベンチマークで有望な性能を示した。 しかし、医学的な計算を行う能力は未熟であり、評価も不十分である。 本研究は,臨床信頼性を重視した医療計算評価を再考する。
  論文  参考訳（メタデータ） (2025-09-20T09:10:26Z)
• DrugReasoner: Interpretable Drug Approval Prediction with a Reasoning-augmented Language Model [0.0]
  我々はLLaMAアーキテクチャ上に構築された推論に基づく大規模言語モデル(LLM)であるPaldrReasonerを提案する。 DrugReasonerは、構造的に類似した承認されていない化合物に対する比較推論と分子記述子を統合している。 AUCが0.732、F1が0.729、テストセットが0.725、0.718で堅牢な性能を達成した。
  論文  参考訳（メタデータ） (2025-08-26T01:14:14Z)
• LLM Agent Swarm for Hypothesis-Driven Drug Discovery [2.7036595757881323]
  ファーマシュワーム(PharmaSwarm)は、新規な薬物標的および鉛化合物の仮説を提唱し、検証し、洗練するために、特殊な「エージェント」を編成する統合マルチエージェントフレームワークである。 PharmaSwarmはAIの副操縦士として機能することで、翻訳研究を加速し、従来のパイプラインよりも効率的に高信頼の仮説を提供することができる。
  論文  参考訳（メタデータ） (2025-04-24T22:27:50Z)
• Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
  MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。 本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。 このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
  論文  参考訳（メタデータ） (2025-03-06T18:35:39Z)
• Comparing Hyper-optimized Machine Learning Models for Predicting Efficiency Degradation in Organic Solar Cells [38.647921189039934]
  本研究は,有機太陽電池 (OSC) の電力変換効率 (PCE) に苦しむ時間的劣化を表現するための機械学習モデルを提案する。 製造プロセスと環境条件の両方に関して最大7変数を含む996項目のデータベースを180日間以上作成しました。 一方、根平均二乗誤差(RMSE)、二乗誤差(SSE)の和、および平均絶対誤差(MAE)>1%の目標値であるPCEは、係数決定(R2)の値に達した。
  論文  参考訳（メタデータ） (2024-03-29T22:05:26Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

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。