論文の概要: ARCagent: An Adaptive Retrieval Calibration Agent for Clinical Question Answering

• arxiv url: http://arxiv.org/abs/2609.36392v1
• Date: Mon, 28 Sep 2026 23:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.055699
• Title: ARCagent: An Adaptive Retrieval Calibration Agent for Clinical Question Answering
• Title（参考訳）: ARCagent : 臨床質問応答のための適応型検索校正剤
• Abstract要約: 本稿では,ME/CFSのための適応型適応型適応型校正型質問応答剤 sysname を提案する。 まず、1,706チャンク、10ソースのナレッジベースで、すべてのアクティブなME/CFS診断フレームワークにまたがる、ガイドライン間のコンフリクトレジストリが構造化されている。 第2に、クエリ固有のフォーカスと競合信号を使用して、エビデンスを再ランクする、コンフリクト対応の検索キャリブレーションパイプライン。 第3に、LLM-as-Judgeが評価したベンチマークでは、キーワードマッチングによる平均10.1ポイントの系統的過小評価が避けられた。
• 参考スコア（独自算出の注目度）: 15.52620573170281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In diseases where clinical guidelines are incomplete, contested, or mutually contradictory, knowledge completeness and dynamic conflict-aware synthesis are two safety-critical properties that standard Retrieval-Augmented Generation systems do not provide. Therefore, we present \sysname, an adaptive retrieval calibration clinical question-answering agent for ME/CFS, a disease where diagnostic frameworks coexist and major guidelines actively contradict each other on treatment. ARCagent contributes three components. First, a 1,706-chunk, 10-source knowledge base with a structured inter-guideline conflict registry spanning all active ME/CFS diagnostic frameworks. Second, a conflict-aware retrieval calibration pipeline that re-ranks retrieved evidence using query-specific focus and conflict signals. Third, a benchmark scored by LLM-as-Judge, avoiding systematic underestimation averaging 10.1 percentage points caused by keyword matching. ARCagent achieves 95.3%, outperforming all base LLMs. Code is available at https://github.com/Yukyin/ARCagent.
• Abstract（参考訳）: 臨床ガイドラインが不完全、競合、相互に矛盾する疾患では、知識完全性とダイナミックコンフリクト・アウェア・シンセサイザーは、標準的な検索・拡張生成システムでは提供されない2つの安全クリティカルな性質である。 そこで本論文では,ME/CFSの適応的検索校正型質問応答剤である‘sysname’について紹介する。 ARCagentは3つのコンポーネントに貢献する。 まず、1,706チャンク、10ソースのナレッジベースで、すべてのアクティブなME/CFS診断フレームワークにまたがる、ガイドライン間のコンフリクトレジストリが構造化されている。 第2に、クエリ固有のフォーカスと競合信号を使用して、エビデンスを再ランクする、コンフリクト対応の検索キャリブレーションパイプライン。 第3に、LLM-as-Judgeが評価したベンチマークでは、キーワードマッチングによる平均10.1ポイントの系統的過小評価が避けられた。 ARCagentは95.3%を達成し、全てのLLMを上回ります。 コードはhttps://github.com/Yukyin/ARCagent.comから入手できる。

関連論文リスト

• Agentic AI-based Framework for Mitigating Premature Diagnostic Handoff and Silent Hallucination in Healthcare Applications [17.69274632062373]
  オープンエンドの会話エージェントは、早期診断ハンドオフとサイレントな臨床幻覚という、2つの重要な障害モードを伴いがちである。 LLM-as-a-judge'のルーティングを決定論的オーケストレーション制約に置き換えることで、両方の問題に対処するマルチエージェントフレームワークを提案する。 本稿では,150症例を対象に,ラマ3.1-70b-インストラクトモデルを用いたシミュレートされた患者エージェントを用いたシステムの評価を行った。
  論文  参考訳（メタデータ） (2026-06-16T15:39:19Z)
• Trust but Verify: Mitigating Medical Hallucinations via Post-Hoc Adversarial Auditing and Multi-Agent Feedback Loops [0.07249400282852114]
  大規模言語モデル(LLM)は、医療現場にますます導入されているが、臨床上の決定が関与すると、幻覚を引き起こす傾向が生じる。 本研究は, LLMが最近, 臨床的疑問に答える際に, 薬剤の投与を推奨するか, 中止を推奨するかを検討するものである。 LLMバックボーンを用いた5エージェント"Trust but verify"システムを開発した。
  論文  参考訳（メタデータ） (2026-06-12T06:21:19Z)
• ConflictRAG: Detecting and Resolving Knowledge Conflicts in Retrieval Augmented Generation [10.475475632969799]
  本稿では,回答生成に先立って知識衝突を検出し,分類し,解決する競合対応RAGフレームワークであるConflictRAGを提案する。 このフレームワークは、90.8%の検出精度を維持しながら、APIコストを62%削減する。
  論文  参考訳（メタデータ） (2026-05-17T07:25:29Z)
• Neuro-Symbolic Resolution of Recommendation Conflicts in Multimorbidity Clinical Guidelines [2.117500646773977]
  本稿では,レコメンデーション冗長性やコンフリクトの検出を自動化するNeuro-Symbolicフレームワークを提案する。 我々のパイプラインでは,非構造化の自然言語を厳密な記号論理言語に変換するためにマルチエージェントシステムを採用している。 論理的規則相互作用の階層的な分類を定式化することにより、我々はローカル・コンフリクト(Local Conflict)と呼ばれる重要なカテゴリーを特定する。
  論文  参考訳（メタデータ） (2026-04-19T09:22:17Z)
• Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
  既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。 GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。 我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
  論文  参考訳（メタデータ） (2026-03-03T09:36:43Z)
• A Multi-Agent Framework for Medical AI: Leveraging Fine-Tuned GPT, LLaMA, and DeepSeek R1 for Evidence-Based and Bias-Aware Clinical Query Processing [0.4349324020366305]
  大規模言語モデル(LLM)は、医療問題に対する回答を約束するが、臨床的使用は、弱い検証、不十分な証拠の根拠、信頼できない信頼のシグナルによって制限される。 本稿では,補完的なLCMとエビデンス検索,不確実性推定,バイアスチェックを組み合わせて回答信頼性を向上させるマルチエージェント医療QAフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-15T14:17:27Z)
• From Conflict to Consensus: Boosting Medical Reasoning via Multi-Round Agentic RAG [65.0203623486525]
  大規模言語モデル(LLM)は、医学的質問応答において高い推論能力を示す。 幻覚や時代遅れの知識を生み出す傾向は、医療分野において重大なリスクをもたらす。 既存の手法はノイズの多いトークンレベルの信号に依存しており、複雑な推論に必要なマルチラウンドの改良は欠如している。
  論文  参考訳（メタデータ） (2026-02-06T08:25:30Z)
• Diagnose, Localize, Align: A Full-Stack Framework for Reliable LLM Multi-Agent Systems under Instruction Conflicts [75.20929587906228]
  LLM(Large Language Model)を利用したマルチエージェントシステム(MAS)は、複雑なタスクにおける協調推論、ツールの使用、役割特化調整を急速に進めている。 しかし、信頼性クリティカルなデプロイメントは、体系的な障害モード、すなわち命令の競合による階層的コンプライアンスによって妨げられている。
  論文  参考訳（メタデータ） (2025-09-27T08:43:34Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)

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。