論文の概要: ConRub-Med: Reinforcement Learning with Consensus Rubrics for Open-Ended Medical Question Answering

• arxiv url: http://arxiv.org/abs/2608.10996v1
• Date: Tue, 11 Aug 2026 14:48:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.089351
• Title: ConRub-Med: Reinforcement Learning with Consensus Rubrics for Open-Ended Medical Question Answering
• Title（参考訳）: ConRub-Med:オープンエンディング医療質問応答のためのコンセンサスルーブリックを用いた強化学習
• Abstract要約: 検証可能な報酬を伴う強化学習は数学やコーディングにおいて特に効果的である。 ConRub-Medを導入し,建設から政策最適化へのルーブリックフィードバックの移動に伴い,有用性を維持する。 ConRub-Medは9つのベンチマークのうち6つにランクインしている。
• 参考スコア（独自算出の注目度）: 33.27644708906731
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning with verifiable rewards has been especially effective in mathematics and coding, where answers can be checked automatically. Many open-ended medical questions lack comparably cheap outcome verifiers: responses may be partly correct, incomplete, or contain clinically consequential errors. Rubrics written or validated by physicians offer strong clinical grounding, but involving experts in every instance is costly. Model-generated rubrics make this supervision scalable. We introduce ConRub-Med to preserve useful distinctions as rubric feedback moves from construction to policy optimization. For each prompt, three heterogeneous language models propose atomic criteria independently; a separate model reviews them, retaining only criteria with semantic support from all three generators. Three-State scoring distinguishes correct coverage, missing information, and incorrect claims. Errors receive negative rather than zero credit. When every response in a complete Group Relative Policy Optimization (GRPO) group receives the same final reward, a pairwise judge provides sequence advantages only if both candidate orders agree, without changing the scalar rewards. Groups without ties use vanilla GRPO. In a blinded study matched by question, two medical experts rate panels from the full pipeline as more clinically relevant than panels produced by one generator. Across the evaluated open models, ConRub-Med ranks first on six of nine benchmarks and achieves the highest medical and generalization averages. Using the resulting rubric dataset of 5,166 prompts, it scores $38.98 \pm 1.04$ (mean $\pm$ SD) on HealthBench-Hard, compared with InfiMed-ORBIT's 33.60 with 8,000 samples and 37.30 with 28,000.
• Abstract（参考訳）: 検証可能な報酬を伴う強化学習は数学やコーディングにおいて特に効果的であり、回答を自動的にチェックすることができる。 多くのオープンエンド医療の質問は、比較的安価な結果検証器を欠いている: 応答は部分的に正しい、不完全、または臨床的に連続した誤りを含むかもしれない。 医師によって書かれたり、検証されたラグビーは、強い臨床基盤を提供するが、あらゆるケースで専門家を巻き込むにはコストがかかる。 モデル生成ルーリックは、この監視をスケーラブルにする。 ConRub-Medを導入し,建設から政策最適化へのルーブリックフィードバックの移動に伴い,有用性を維持する。 それぞれのプロンプトに対して、3つの異種言語モデルが独立して原子基準を提案し、別々のモデルがそれらをレビューし、3つのジェネレータすべてから意味的サポートを受けた基準のみを保持する。 3状態スコアは、正確なカバレッジ、不足情報、誤ったクレームを区別する。 エラーはゼロクレジットではなく負の値を受け取る。 完全なグループ相対ポリシー最適化(GRPO)グループの全ての応答が同じ最終報酬を受けるとき、ペアワイズ判事は、スカラー報酬を変更することなく、両方の候補命令が一致する場合にのみシーケンス上の利点を提供する。 ネクタイのないグループはバニラGRPOを使用します。 問題によって一致した盲目の研究では、2人の医療専門家がパイプライン全体のパネルを、1つのジェネレータが生成するパネルよりも臨床的に関連があると評価した。 評価されたオープンモデル全体では、ConRub-Medは9つのベンチマークのうち6つにランクインし、最も高い医学および一般化平均を達成した。 結果として得られた5,166プロンプトのルーリックデータセットを使用して、InfiMed-ORBITの33.60と8,000のサンプル、37.30の28,000に対してHealthBench-Hardの38.98 \pm 1.04$ (mean $\pm$ SD)をスコア付けしている。

関連論文リスト

• MedSNIP: Building and Benchmarking Snippet-Level Granularity for Medical Fact Verification [50.13873960887466]
  我々はスニペットレベルの医療事実検証のベンチマークであるMedSNIP-Benchを紹介する。 また,自動スニペット生成パイプラインであるMedSNIPを導入する。 MedSNIP-Bench、HealthFC、MedHallu全体で、スニペットレベルの検証は偽クラスF1を保存または改善する。
  論文  参考訳（メタデータ） (2026-09-11T14:08:44Z)
• Are We Grading Properly? Understanding Failure Modes in Medical Benchmarks [0.028647133890966986]
  医療評価は、静的オプションベースの質問から、オープンエンド出力モードによる現実的な臨床シナリオへとシフトしつつある。 しかし、これらを自然にスケールさせることは高価であり、ルーブリックベースの評価が主要なスケーラブルな代替手段となっている。 潤滑剤自体が気密でない場合に何が起こるのか、そのような欠陥を検知して修正できるかを問う。
  論文  参考訳（メタデータ） (2026-09-10T01:18:39Z)
• ClinicalBench: Stress-Testing Assertion-Aware Retrieval for Cross-Admission Clinical QA on MIMIC-IV [0.0]
  推論ベンチマークはクリーンインプットの臨床的パフォーマンスを測定する。 我々は, 否定, 時間性, 家族反対の帰属が正しい答えを誤ったものに戻すことができる, 実際の EHR ノートを検索することで, 推論の段階を評価する。 EpiKGは、アサーションラベルと時間性タグを患者の知識グラフに格納し、質問意図による検索をルーティングする。
  論文  参考訳（メタデータ） (2026-05-11T18:47:52Z)
• MedVIGIL: Evaluating Trustworthy Medical VLMs Under Broken Visual Evidence [24.517280048376758]
  medvigilは4つの公開医療用VQAソースから作成された300ケースの評価スイートである。 あらゆるゴールド回答、拒絶オプション、候補答えセット、パラフレーズ、虚偽の前提トラップ、ROIボックス、臨床リスクレベルが臨床著者によって作成される。 メドビニル複合スコア(MCS)に要約した7つの正当性条件監査指標を報告する。 独立した放射線学者は、静電気障害率5.8%でMCS 83.3をスコアし、14.1ポイントの複合ヘッドルームを最強の監査モデルの上に残した。
  論文  参考訳（メタデータ） (2026-05-08T15:55:30Z)
• Ruling Out to Rule In: Contrastive Hypothesis Retrieval for Medical Question Answering [1.6886041345889138]
  臨床診断のプロセスに触発されたコントラスト的仮説検索(CHR)を提案する。 CHRは、$H+$-alignedのエビデンスを宣伝し、$H+$-alignedのコンテンツをペナルティ化する。 CHRは、検索機構の設計による臨床推論を橋渡しし、医療用RAGシステムにおける有害な汚染を減らすための実践的な方法を提供する。
  論文  参考訳（メタデータ） (2026-04-06T11:13:57Z)
• Same Verdict, Different Reasons: LLM-as-a-Judge and Clinician Disagreement on Medical Chatbot Completeness [49.2667937337333]
  不完全な患者の医療反応を検出するために,この仮定をストレステストする。 我々は,2つの臨床診断データセットにわたる3つの粒度(General-Likert,Analytical-Rubric,Dynamic-Checklist)と3つのバックボーンモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-26T19:01:55Z)
• QuarkMedBench: A Real-World Scenario Driven Benchmark for Evaluating Large Language Models [8.050059911826338]
  LLM(Large Language Models)は、標準化された医療試験に優れるが、高いスコアは、現実世界の医療クエリに対する高品質な応答に変換できないことが多い。 実世界の医療LCM評価に適した生態学的に有効なベンチマークであるQuarkMedBenchを紹介する。
  論文  参考訳（メタデータ） (2026-03-14T01:51:43Z)
• PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
  大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。 我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。 LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
  論文  参考訳（メタデータ） (2026-03-02T00:50:39Z)
• MedOmni-45°: A Safety-Performance Benchmark for Reasoning-Oriented LLMs in Medicine [69.08855631283829]
  我々は,操作的ヒント条件下での安全性能トレードオフの定量化を目的としたベンチマークであるMed Omni-45 Degreesを紹介する。 6つの専門分野にまたがる1,804の推論に焦点を当てた医療質問と3つのタスクタイプが含まれており、その中にはMedMCQAの500が含まれる。 結果は、モデルが対角線を超えることなく、一貫した安全性と性能のトレードオフを示す。
  論文  参考訳（メタデータ） (2025-08-22T08:38:16Z)
• ReasonMed: A 370K Multi-Agent Generated Dataset for Advancing Medical Reasoning [54.30630356786752]
  ReasonMedは、これまでで最大の医療推論データセットで、370万の高品質な例がある。 マルチエージェント生成、検証、改善プロセスを通じて構築される。 ReasonMedを用いて、簡潔な答えの要約と詳細なCoT推論を統合することで、最も堅牢な微調整結果が得られる。
  論文  参考訳（メタデータ） (2025-06-11T08:36:55Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)

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。