論文の概要: From Retrieval to Typed Decisions: Calibrated System One Models from Biomedical Sentence Encoders

• arxiv url: http://arxiv.org/abs/2610.02486v1
• Date: Thu, 01 Oct 2026 21:03:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.086035
• Title: From Retrieval to Typed Decisions: Calibrated System One Models from Biomedical Sentence Encoders
• Title（参考訳）: 検索からタイプ決定: バイオメディカルセンスエンコーダを用いたシステム1モデルの校正
• Abstract要約: 本稿では,SBERT2S1について述べる。SBERT2S1は,文変換器をバイエンコーダ,クロスヘッド(C)および前処理残差(PFR)決定モデルに変換する。 6組の親と親のペアで、検索トレーニングはコンテンツを持つオプションのゼロショットマッチングを改善する。 2つの頭と5つの訓練目標の一致した格子は、CがPFRを全ての目標で上回っていることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Typed decision models answer schema-constrained questions about a text in one forward pass and return probabilities meant to be thresholded. We ask whether biomedical sentence encoders trained for retrieval are good starting points for such models. We present SBERT2S1, which converts Sentence-Transformers encoders into bi-encoder, cross-head (C) and prior-fused residual (PFR) decision models, together with BIODECIDE, a biomedical typed-decision suite, and MEDLINE-S1, 243k training decisions derived from NLM indexing. Across six parent-retriever pairs, retrieval training improves zero-shot matching of content-bearing options. After fine-tuning, its effect depends on the head: across five pairs and three training-set sizes, retrieval training significantly helps PFR, which keeps the retrieval prior, in 10 of 15 comparisons, but helps C in one and hurts it in five. A matched grid of two heads and five training objectives shows that C outperforms PFR under every objective, and that the released RLCD recipe of open System One models trails cross-entropy by 2.5-3.0 points. The deficit stems mainly from its reward normalisation, which inflates the noisy score-function term 3.6-15-fold; an unbiased leave-one-out estimator recovers most of the gap. After temperature scaling, no objective is clearly better calibrated than cross-entropy. We release the code, the MEDLINE-S1 labels and a model.
• Abstract（参考訳）: 型付き決定モデルは、1つのフォワードパスにおけるテキストに関するスキーマ制約された質問に答え、しきい値が与えられる確率を返す。 検索のために訓練されたバイオメディカル文エンコーダが、そのようなモデルにとって良い出発点であるかどうかを問う。 我々は、SBERT2S1を、バイオメディカル型決定スイートBIODECIDEと、NLMインデクシングから導かれるMEDLINE-S1、243kのトレーニング決定とともに、SBERT2S1をバイエンコーダ、クロスヘッド(C)およびプリフューズド残差(PFR)決定モデルに変換する。 6組の親と親のペアで、検索トレーニングはコンテンツを持つオプションのゼロショットマッチングを改善する。 微調整の後、その効果は頭によって異なる:5対のトレーニングセットサイズと3つのトレーニングセットサイズで、検索トレーニングはPFRに大きく貢献する。 2つの頭と5つの訓練目標の一致した格子は、CがPFRを全ての目標で上回り、オープンシステム1モデルのRCCDレシピが2.5-3.0ポイントのクロスエントロピーを辿っていることを示している。 この欠陥は主に、ノイズの多いスコア関数を3.6-15倍に膨らませる報酬正規化に起因している。 温度スケーリングの後に、クロスエントロピーよりも明確にキャリブレーションされた目的は存在しない。 コード、MEDLINE-S1ラベル、モデルをリリースします。

関連論文リスト

• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• CORTIVA: Candidate-Score Fusion of Complementary Visual Teachers for EEG- and MEG-to-Image Retrieval [4.19305370463618]
  非侵襲的な脳活動から視覚体験をデコードすることは神経科学と脳-コンピュータインターフェースの中心である。 EEGとMEGはミリ秒の解像度を提供し、画像検索を魅力的にする。 ほとんどのシステムは、ランク付けする前に、均一な視覚的監督を単一の埋め込みに分解する。 この相補的な証拠を保存した候補スコア融合フレームワークであるCORTIVAを提案する。
  論文  参考訳（メタデータ） (2026-08-02T16:14:22Z)
• A Decomposable Probe for Few-Step Diffusion Models: Prompt, Latent, and Score Selectivity across Backbone Families and Distillation Paradigms [0.0]
  拡散学生は50～1-8のネットワーク評価からテキスト・ツー・イメージ・推論を減らした。 我々はスカラーを3つの層に沿って制御された摂動を注入する分解可能なプローブで置き換える。 Inception機能に対するブートストラップ中間のBures W22選択率について報告する。
  論文  参考訳（メタデータ） (2026-07-03T12:18:24Z)
• Training-inference input alignment outweighs framework choice in longitudinal retinal image prediction [3.0602131532925436]
  近年の手法は, 生成複雑性の増大に向かっているが, この複雑さが要求される条件はいまだ不明である。 生成複雑性は予測可能なタスクの条件付き後続成分のエントロピーと一致し,全てのレシスタンスでトレーニング・推論入力アライメントが要求される。 我々は,この枠組みを5つの構成を対比して,立方体自己蛍光データセット上で検証した。
  論文  参考訳（メタデータ） (2026-04-18T10:28:00Z)
• GRAFNet: Multiscale Retinal Processing via Guided Cortical Attention Feedback for Enhancing Medical Image Polyp Segmentation [6.834321209531585]
  本稿では,人間の視覚システムの階層構造を模倣する生物学的にインスパイアされたアーキテクチャであるGRAFNetを提案する。 GRAFNetは,(1)方向調整された皮質ニューロンをポリプ境界に模倣するガイド非対称注意モジュール(GAAM),(2)平行多機能解析のために網膜神経節細胞経路を複製するマルチスケール網膜モジュール(MSRM),(3)反復精製に予測符号化を適用するガイド非対称注意フィードバックモジュール(GCAFM)の3つの重要なモジュールを統合する。
  論文  参考訳（メタデータ） (2026-02-15T17:29:37Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• An Efficient End-to-End Deep Neural Network for Interstitial Lung Disease Recognition and Classification [0.5424799109837065]
  本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。 提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。 128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
  論文  参考訳（メタデータ） (2022-04-21T06:36:10Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)

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。