論文の概要: Import What You Need: Learning When and How to Augment EHR Graphs with External Knowledge

• arxiv url: http://arxiv.org/abs/2609.01839v1
• Date: Tue, 01 Sep 2026 20:16:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.981977
• Title: Import What You Need: Learning When and How to Augment EHR Graphs with External Knowledge
• Title（参考訳）: 必要なものをインポートする: 外部知識でEHRグラフをいつ、どのように拡張するかを学ぶ
• Authors: Chen Chen, Mohsen Nayebi Kerdabadi, Dongjie Wang, Mei Liu, Zijun Yao,
• Abstract要約: 本稿では,KGインポートをビジット毎の予算対応政策として活用する強化学習に基づく動的トポロジ拡張フレームワークを提案する。 ReTAは、効率を保ちながら、強いベースラインを一貫して上回り、データセットとナレッジグラフをまたいで転送し、解釈可能な拡張パターンを生成する。
• 参考スコア（独自算出の注目度）: 21.61245033916194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Longitudinal prediction from electronic health records (EHRs) is limited by the sparsity and irregularity in patient trajectories, and knowledge augmentation with external knowledge graphs (KGs) offers a promising way to alleviate these issues. However, most existing methods perform fixed, context-agnostic topology augmentation by adding the same KG nodes and edges regardless of a patient's evolving state. We propose ReTA, a Reinforcement learning-based dynamic Topology Augmentation framework that casts KG import as a per-visit, budget-aware policy. ReTA first constructs an offline refined pool of KG-grounded templates, then learns a policy to select one augment action per visit from three options: Soft Import, which enriches node features without modifying graph topology, Hard Import, which grafts a compact KG subgraph onto the visit graph to create message-passing shortcuts, and Skip, which leaves the visit unaugmented when the base encoder is already confident. To stabilize learning, ReTA employs a decoupled encoder that processes semantic and structural signals in separate channels and fuses them via adaptive gating. Experiments on MIMIC-III and MIMIC-IV across diagnosis prediction, mortality, and readmission show that ReTA consistently outperforms strong baselines while remaining efficient, transfers across datasets and knowledge graphs, and yields interpretable augmentation patterns. The robust gains under sparse supervision highlight the advantage of ReTA's dynamic decision to import knowledge, boosting accuracy while curbing costs.
• Abstract（参考訳）: 電子健康記録(EHR)からの経時的予測は、患者の軌跡の空間的・不規則性によって制限され、外部知識グラフ(KG)による知識増強はこれらの問題を緩和する有望な方法である。 しかしながら、既存のほとんどのメソッドは、患者の進化状態に関係なく、同じKGノードとエッジを追加することで、固定的で文脈に依存しないトポロジ拡張を実行する。 本稿では,KG 輸入をビジット毎の予算対応政策として活用する強化学習に基づく動的トポロジ拡張フレームワーク ReTA を提案する。 グラフトポロジを変更することなくノード機能を充実させるSoft Import、コンパクトなKGサブグラフを訪問グラフに移植してメッセージパッシングショートカットを作成するHard Import、ベースエンコーダがすでに自信を持っていれば、訪問を不要にするSkipである。 学習を安定させるために、ReTAは分離されたエンコーダを使用して、セマンティックおよび構造的な信号を別々のチャネルで処理し、適応ゲーティングを通じてそれらを融合させる。 MIMIC-IIIとMIMIC-IVの実験では、診断予測、死亡率、可読性により、ReTAは高いベースラインを一貫して上回りながら効率を保ち、データセットや知識グラフをまたいで転送し、解釈可能な拡張パターンを生成する。 緩やかな監督の下での堅牢な利益は、ReTAが知識を輸入する動的決定の利点を強調し、コストを抑えながら正確性を高めている。

関連論文リスト

• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• 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)
• Explainable Knowledge Graph Retrieval-Augmented Generation (KG-RAG) with KG-SMILE [0.03908906925636173]
  SMILE を用いた Graph RAG のトークンとコンポーネントレベルの相互運用性を提供する,メソッドに依存しない摂動に基づくフレームワークを開発した。 KG-SMILEは、生成した出力に最も影響を及ぼすグラフエンティティと関係を識別し、RAGをより透明にする。 以上の結果から,KG-SMILEはモデルの有効性と解釈可能性のバランスをとる能力を示した。
  論文  参考訳（メタデータ） (2025-09-03T18:29:30Z)
• Toward accurate RUL and SOH estimation using reinforced graph-based PINNs enhanced with dynamic weights [0.0]
  本稿では,物理に基づく指導と高度時相学習を組み合わせた枠組みを提案する。 Q-ラーニングエージェントは、物理インフォームド損失項に重みを動的に割り当て、リアルタイム産業システム全体の一般化を改善する。 RULおよびSOH推定タスクでは、提案手法は最先端モデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-07-13T19:49:12Z)
• Knowledge Fusion via Bidirectional Information Aggregation [20.309309990375134]
  知識グラフ(KG)はセマンティックウェブの基盤であり、現実世界の実体と関係の最新の表現を提供する。 大規模言語モデル(LLM)は、事前トレーニング後にほとんど静的のままであり、内部知識は時代遅れになり、時間に敏感なWebアプリケーションでは実用性が制限される。 我々は,外部KGをパラメータ修正なしに,推論時にのみ外部KGをLLMに動的に統合する新しいフレームワークKGAを紹介する。
  論文  参考訳（メタデータ） (2025-07-11T15:57:37Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• 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)
• Simple and Effective Relation-based Embedding Propagation for Knowledge Representation Learning [15.881121633396832]
  本稿では,事前学習したグラフ埋め込みを文脈に適応させるために,Relation-based Embedding Propagation (REP)法を提案する。 我々は,REPがOGBL-WikiKG2上の三重項埋め込み法に対して10%の相対的な改善をもたらすことを示した。 最先端のGC-OTEと同等の結果を得るには5%-83%の時間を要する。
  論文  参考訳（メタデータ） (2022-05-13T06:02:13Z)

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。