論文の概要: BiGraph-Diffuse: A Bidirectional Diffusion Language Model with Graph-Structured Retrieval For Mental Health Counseling

• arxiv url: http://arxiv.org/abs/2609.29519v1
• Date: Tue, 25 Aug 2026 04:22:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.054602
• Title: BiGraph-Diffuse: A Bidirectional Diffusion Language Model with Graph-Structured Retrieval For Mental Health Counseling
• Title（参考訳）: BiGraph-Diffuse:メンタルヘルスカウンセリングのためのグラフ構造化検索を用いた双方向拡散言語モデル
• Abstract要約: メンタルヘルス障害は世界中の何億人もの人々に影響を与えているが、プロのカウンセリングへのアクセスは依然として厳しく制限されている。 我々は、カウンセリングドメインに適した最初の大規模拡散言語モデルである textbfBiGraph-Diffuse を提案する。
• 参考スコア（独自算出の注目度）: 40.255386850264365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mental health disorders affect hundreds of millions of people around the world, yet access to professional counseling remains severely limited. AI-powered dialogue systems offer a scalable alternative, but existing models face two fundamental challenges. First, they lack the bidirectional understanding needed to capture the layered nature of emotional expression, particularly in cases of progressive disclosure, where clients often present symptoms at the surface-level while concealing deeper trauma. Autoregressive (AR) models process information sequentially and cannot revise early interpretations when new evidence emerges later in the conversation. Second, they fail to effectively incorporate the relational knowledge that underlies clinical reasoning. In this paper, we propose \textbf{BiGraph-Diffuse}, the first large-scale diffusion language model tailored for the counseling domain. We further introduce \textbf{BiGraph-RAG}, a relation-free graph-structured retrieval strategy that relies only on lightweight entity extraction and semantic linking. This design preserves inferential pathways from observable symptoms to potential underlying causes, while incurring zero LLM token cost during indexing. Importantly, these two modules are not merely combined but mutually reinforcing. The diffusion model provides a holistic bidirectional context, enabling the system to defer premature judgments during progressive disclosure. Meanwhile, graph-based retrieval captures the structured interconnections of clinical knowledge. Extensive experiments demonstrate the effectiveness of BiGraph-Diffuse, and we further provide a solid theoretical analysis to support its design.
• Abstract（参考訳）: メンタルヘルス障害は世界中の何億人もの人々に影響を与えているが、プロのカウンセリングへのアクセスは依然として厳しく制限されている。 AIを使った対話システムはスケーラブルな代替手段を提供するが、既存のモデルは2つの根本的な課題に直面している。 第一に、感情表現の階層的な性質を捉えるために必要な双方向の理解が欠如しており、特にプログレッシブ開示の場合、クライアントは深い外傷を隠蔽しながら表面レベルで症状を呈することが多い。 自己回帰(AR)モデルは情報を逐次処理し、会話の後に新たな証拠が現れると、早期解釈を修正できない。 第二に、臨床推論の根底にある関係知識を効果的に取り入れることに失敗する。 本稿では、カウンセリング領域に適した最初の大規模拡散言語モデルである「textbf{BiGraph-Diffuse}」を提案する。 さらに、軽量なエンティティ抽出とセマンティックリンクのみに依存する関係のないグラフ構造化検索戦略である \textbf{BiGraph-RAG} を導入する。 この設計は、観測可能な症状から潜在的な原因への推論経路を保存し、インデックス作成中にLLMトークンのコストをゼロにする。 重要なことに、これらの2つの加群は単に結合されているだけでなく、相互に強化されている。 拡散モデルは全体論的双方向の文脈を提供し、システムが進行的開示中に未熟な判断を遅らせることを可能にする。 一方、グラフに基づく検索は、臨床知識の構造的相互接続をキャプチャする。 広汎な実験はBiGraph-Diffuseの有効性を実証し,その設計を支援するための理論解析も提供する。

関連論文リスト

• Coarse-to-fine Hierarchical Architecture with Sequential Mamba for Brain Reconstruction [5.732406989501624]
  画像-fMRI符号化のための新しい階層型2段階フレームワークであるCHASMBrainを提案する。 我々のアーキテクチャは、グローバルなセマンティックトークンと局所的な空間パッチを明確に分離し処理するために、デュアルストリームのMamba設計を活用している。 提案手法はPearsonの0.429とMSE0.261の相関を達成し,評価基準線を上回る結果を得た。
  論文  参考訳（メタデータ） (2026-06-03T11:53:23Z)
• Diffusion-Guided Pretraining for Brain Graph Foundation Models [11.520820567690949]
  両制約に対処する拡散型事前学習フレームワークを提案する。 まず、拡散は、構造を意識したドロップとマスキング戦略をガイドし、脳グラフのセマンティクスを保存するように設計されている。 第二に、拡散はトポロジを意識したグラフレベルの読み出しとノードレベルのグローバルな再構築を可能にする。
  論文  参考訳（メタデータ） (2026-02-10T06:03:24Z)
• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• Exploring a Graph-based Approach to Offline Reinforcement Learning for Sepsis Treatment [2.7655615458735174]
  この研究は、よく知られたMIMIC-IIIデータセットからの患者データを、時間とともに進化する異種グラフとしてモデル化する。 患者の状態表現を学習するための2つのグラフニューラルネットワークアーキテクチャ、GraphSAGEとGATv2について検討する。
  論文  参考訳（メタデータ） (2025-09-03T15:15:41Z)
• 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)
• Tripartite-GraphRAG via Plugin Ontologies [0.011161220996480647]
  大規模言語モデル(LLM)は、様々な領域で顕著な能力を示してきたが、知識集約的なタスクに苦戦している。 主な制限は、幻覚の傾向、ソーストレーサビリティの欠如(証明)、タイムリーな知識更新における課題である。 本稿では,LLMと三部構造知識グラフ表現を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-28T10:43:35Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)

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。