論文の概要: Agentic Governance and Adversarial Verification for Policy-Constrained LLM Healthcare Appeal Generation
- arxiv url: http://arxiv.org/abs/2609.27844v1
- Date: Thu, 20 Aug 2026 14:54:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.991206
- Title: Agentic Governance and Adversarial Verification for Policy-Constrained LLM Healthcare Appeal Generation
- Title（参考訳）: 政策制約付きLLMヘルスケアアピール生成のためのエージェントガバナンスと対抗的検証
- Abstract要約: 医療費は年間約2600億ドル(約2兆6500億円)である。
本稿では, 明示的な方針と証拠制約の下で, 医用要求生成のためのマルチエージェントアーキテクチャであるAGVFを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Claim denial management costs U.S. healthcare approximately $260 billion annually in administrative overhead. Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) can produce fluent clinical text, but single-agent architectures fail in high-stakes healthcare: they introduce unsupported clinical details and lose the logical structure of hierarchical payer policy. We propose AGVF (Agentic Governance and Adversarial Verification Framework), a multi-agent architecture for medical-necessity appeal generation under explicit policy and evidence constraints. AGVF models appeal synthesis as a Constrained Markov Decision Process (CMDP) over five agents: policy formalization, evidence retrieval, gap analysis, adversarial critique, and gated synthesis. We prove that refinement over a fixed policy constraint graph monotonically reduces evidence-deficiency and terminates with either a complete satisfying frontier or a localized evidence gap. A deterministic citation- grounding gate prevents assertions without admissible evidence from entering shared state. We provide a reference implementation and validate it on 1,000 synthetic appeal cases parameterized from de-identified public hospital discharge data. The validation confirms zero citation-grounding violations across all AGVF cases and monotone deficiency reduction in every episode; ablating the gate raises violations to 100%, confirming it is load-bearing. The study uses no real patient records and does not measure clinical efficacy. AGVF thus contributes a theory-backed agentic architecture and verified reference implementation for policy-constrained LLM generation in healthcare.
- Abstract（参考訳）: 医療費は年間約2600億ドル(約2兆6500億円)である。
大規模言語モデル (LLMs) とレトリーバル拡張世代 (RAG) は、流動的な臨床テキストを生成することができるが、単一エージェントアーキテクチャーは高い評価の医療で失敗する。
本稿では, 明示的な政策と証拠制約の下で, 医用要求生成のためのマルチエージェントアーキテクチャ AGVF (Agentic Governance and Adversarial Verification Framework) を提案する。
AGVFモデルは、ポリシーの定式化、エビデンス検索、ギャップ分析、敵対的批判、ゲート合成の5つのエージェントに対して、制約付きマルコフ決定プロセス(CMDP)として合成をアピールする。
固定政策制約グラフ上の洗練がエビデンス欠陥を単調に低減し、完全に満足なフロンティアか局所的なエビデンスギャップで終了することを証明する。
決定論的引用接地ゲートは、許容可能な証拠のない主張が共有状態に入るのを防ぐ。
特定されていない病院の退院データから分析した1000件の総合上訴症例について,基準実装と検証を行った。
検証では、すべてのAGVFのケースでゼロの引用グラウンド違反が確認され、各エピソードでモノトン欠乏が減少する。
本研究は、実際の患者記録を使用しず、臨床効果を計測しない。
したがって、AGVFは、理論に基づくエージェントアーキテクチャと、医療におけるポリシー制約付きLCM生成の基準実装の検証に貢献する。
関連論文リスト
- Cognitive Admission Control: Risk-Conditioned Assurance for Consequential Actions in Agentic Distributed Systems [2.124730017640531]
エージェント分散システムでは、エージェントは外部のインフラを変更できるが、突然変異の実行準備が整っているという証拠は欠如している。
CAC(Cognitive Admission Control)は、この証拠を明示する。
ポリシーは、型付けされた行動とそのモデル化されたリスクを、述語、エビデンスクラス、スコープ、鮮度、証人セットの制約を指定する保証義務にマップする。
承認が成功すると、アクション、証人マニフェスト、ディスパッチタイムガードを結び付ける証明書が生成される。
論文 参考訳（メタデータ） (2026-09-14T20:20:54Z) - Zero-Knowledge Predicate Proofs Between AI Agents: A Measured, Cross-Protocol Gateway and the Source-Integrity Gap [0.0]
マルチエージェントAIプラットフォームは、ステージングからプロダクションへ素早く移行するが、エージェントが信頼を確立する方法はまだ初歩的だ。
提案から実行システムまで,エージェント間での検証可能なデータ最小化を行う。
32ビットのしきい値述語は6.2msで証明され、608バイトのBulletproofs証明で1.0msで検証される。
論文 参考訳（メタデータ） (2026-08-30T23:16:17Z) - AI Slop and Hallucinations in Vulnerability Assessment: A Survey on Reasoning Failures and Trustworthy Mitigation [48.55515767840701]
AIスロープ(AI slop)は、アーティファクト、幻覚的脆弱性、可視だが正しくないパッチ、セマンティックに再パッケージされたバグレポートである。
本稿では,実証的証拠を調査し,統一メカニズムを特定し,信頼に値するトリアージへの道筋をたどる。
論文 参考訳（メタデータ） (2026-08-26T11:48:38Z) - LabourCrew: A Multi-Agent RAG Framework for Trustworthy Adversarial Deliberation and Statutory Reasoning over Labour Law [0.4417991658092448]
LabourCrewは3つの基盤メカニズムを中心に構築されたマルチエージェントRAGフレームワークである。
StatuteGraphは、一定の長さのスパンではなく、章、セクション、プロファイソ、および相互参照構造をリンクする。
エビデンス交換プロトコルは、エビデンス台帳へのアドボケートとインタプリタを制限し、未検索のテキストへの引用を不可能にする。
キャリブレーテッド・トラスト・ゲート(Calibrated Trust Gate)は、カテゴリー的受け入れ/拒絶決定を、偽受け入れ率の分布自由境界に対する共形リスク制御を介して閾値付けされた信頼スコアに置き換える。
論文 参考訳（メタデータ） (2026-08-18T11:55:42Z) - IMPACT-CYCLE: A Contract-Based Multi-Agent System for Claim-Level Supervisory Correction of Long-Video Semantic Memory [73.22944697933603]
既存のパイプラインは不透明でエンドツーエンドの出力を生成し、検査の中間状態は公開しない。
IMPACT-Cycleは,マルチモーダル反復クレームレベルのメンテナンスとして,長時間ビデオ理解を再構築するマルチエージェントシステムである。
論文 参考訳（メタデータ） (2026-04-22T03:03:33Z) - Guaranteeing Knowledge Integration with Joint Decoding for Retrieval-Augmented Generation [45.13215113490545]
GuarantRAGは、証拠統合から推論を明示的に分離するフレームワークである。
5つのQAベンチマークの実験では、GurantRAGは最大で12.1%精度が向上している。
論文 参考訳（メタデータ） (2026-04-09T09:52:21Z) - AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。
AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。
これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
論文 参考訳（メタデータ） (2026-03-21T04:12:04Z) - CARE-RAG - Clinical Assessment and Reasoning in RAG [43.1450755645803]
大規模言語モデル(LLM)における検索と推論のギャップについて検討する。
推論の正確性,一貫性,忠実度を計測する評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-20T02:44:55Z) - DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。
本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
論文 参考訳（メタデータ） (2025-10-24T08:01:21Z) - Policy-Governed RAG - Research Design Study [0.0]
RAGアーキテクチャは、規制されたゲート領域における監査可能な生成のために規定される。
この設計は既存のRAG/ガードレールを補完し、ポリシーチェックを監査可能、再生可能、レシートバックで補完する。
論文 参考訳（メタデータ） (2025-10-22T10:33:27Z)
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。