論文の概要: Certified AI Triage of ICU Alarms

• arxiv url: http://arxiv.org/abs/2609.12365v1
• Date: Fri, 11 Sep 2026 02:34:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.589469
• Title: Certified AI Triage of ICU Alarms
• Title（参考訳）: ICUアラームの認証AIトリアージ
• Abstract要約: VTaCベンチマークでは、心室頻拍のアラームの71%は偽であるが、本物のアラームのサイレンシングは危険な不整脈の認識を遅らせる可能性がある。 我々は3方向のトリアージ(保持、抑制、延期)としてアラームリダをリフレームし、この分析が扱う決定を有害とみなす。
• 参考スコア（独自算出の注目度）: 0.7476901945542384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the VTaC benchmark 71% of ventricular-tachycardia alarms are false, but silencing a real one can delay recognition of a dangerous arrhythmia. We reframe alarm reduction as three-way triage (retain, suppress, or defer) and bound the decision this analysis treats as harmful: among suppressed alarms, the fraction that were genuine stays below a user-set budget with 95% confidence, under i.i.d. event sampling. Alarms sharing a waveform record are dependent, so the clustered analysis is a sensitivity check. On the official split a 5% budget certifies in all three seeds, suppressing 74.8% of false alarms while silencing 1.5% of genuine ones, at AUROC 0.953 and Challenge Score 83.33, numerically comparable to the strongest of the eleven published systems. Our central finding measures what multiplicity costs: the correction charges for every candidate, so a finer grid can certify strictly less. Under held-out calibration the 885-cell grid we declared certifies 1 of 15 fold-runs, while choosing the grid on a separate selection partition certifies 8. We project the calibration volume each budget needs, making an uncertifiable budget a design parameter. Finally, adding a learned reliability dimension to the policy grid did not sharpen the certified frontier.
• Abstract（参考訳）: VTaCベンチマークでは、心室頻拍のアラームの71%は偽であるが、本物のアラームのサイレンシングは危険な不整脈の認識を遅らせる可能性がある。 我々は、アラームを3方向トリアージ(保持、抑制、延期)として再設定し、この分析が扱う決定を有害とみなす。 波形記録を共有するアラームは依存しているため、クラスタ解析は感度チェックである。 AUROC 0.953 と Challenge Score 83.33 では、3つの種子で5%の予算が認証され、74.8%の誤報が抑えられ、真の警報の1.5%がサイレンシングされた。 私たちの中心的な発見は、乗算コストを測るもので、すべての候補に対する補正料金がかかるので、より細かいグリッドは厳格に認証を減らせることができる。 885セルグリッドのホールドアウトキャリブレーションの下で、15のフォールドランのうち1を認証し、別の選択パーティションでグリッドを選択して8を認証した。 予算毎のキャリブレーション量を予測し、未確認の予算を設計パラメータとする。 最後に、ポリシーグリッドに学習された信頼性の次元を追加することは、認定されたフロンティアを鋭くすることはなかった。

関連論文リスト

• A Bayesian Correlated Equilibrium for Early Insider-Threat Detection [11.643788980306235]
  我々は、内部脅威検出を、プラットフォームが戦略認定者の委員会を調整し、誠実なユーザ間の均衡を維持する動的ベイズゲームとしてモデル化する。 CERT r6.2では、我々のメカニズムは1.6%以下の偽陽性で28.3%の事前濾過検出を達成し、トランスフォーマーベースラインとストリーミング 前駆体近似の両方がほぼゼロの事前濾過検出を実現する。
  論文  参考訳（メタデータ） (2026-09-02T19:12:56Z)
• Repeated-Game Security for Restaking-Based Verifiable Inference [2.9661360665913574]
  本論文は,1ラウンドスラッシング条件が同一の利害関係下での推論を繰り返すと,セキュリティを過小評価できることを示す。 本稿では,歴史に依存した課題,評価ヘビー級のスラッシュ,利得の優位性を組み合わせた展開可能なメカニズムを提案する。
  論文  参考訳（メタデータ） (2026-08-10T03:03:56Z)
• Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
  セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。 以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。 我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
  論文  参考訳（メタデータ） (2026-07-30T16:22:13Z)
• Cost-Sensitive Conformal Prediction and Human-in-the-Loop Abstention for Imbalanced High-Stakes Decision Support: A Multi-Domain Benchmark [2.5130933318193915]
  モンドリアン・CPは有効なマイノリティ・クラスを回復し、最小限のCPよりも61.7ポイントの平均的マイノリティ・カバー・アップを達成した。 我々は、不明瞭なインスタンスを人間の専門家に延期する、データセット固有のブレークエクイティしきい値の定量化を行う。
  論文  参考訳（メタデータ） (2026-07-29T17:15:33Z)
• Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
  各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。 本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
  論文  参考訳（メタデータ） (2026-07-29T08:00:49Z)
• Certified Speculative Execution for Untrusted AI Agents [5.864346468963738]
  Certificate-Gated Prefix Acceptance (CGPA)は、信頼できないAIエージェントの投機的実行契約である。 デプロイメントスケールの単位コミットインスタンスでは、凍結した8B LLMを2.96x/1エピソードのウォールクロックのスピードアップに2.1%の後悔で変換し、ドメイン(1.79x)と安全なリリーディング・ホライゾンベースライン(1.07x)を上回ります。
  論文  参考訳（メタデータ） (2026-06-30T01:45:56Z)
• False Sense of Safety in Selective Signal Classification: Auditing Bound Tightness and Exchangeability for Risk Control [6.3999417080764225]
  分布自由リスク制御による選択的な予測では、キャリブレーションドローに対する信頼度1-deltaでは、受け入れられた入力のエラー率は、ユーザ予算のアルファ値以下である。 我々はこの約束を、機械異常音検出(ASD)とAI生成画像鑑定という信号領域検出器で監査する。
  論文  参考訳（メタデータ） (2026-06-13T06:48:50Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
  大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。 TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。 我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
  論文  参考訳（メタデータ） (2026-04-29T19:32:58Z)
• From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
  異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。 商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。 低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
  論文  参考訳（メタデータ） (2026-03-02T13:02:13Z)

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。