論文の概要: A Guideline-Augmented Multi-Agent Framework for Schema-as-Code Biomedical Named Entity Recognition

• arxiv url: http://arxiv.org/abs/2610.02970v2
• Date: Tue, 06 Oct 2026 08:09:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.269929
• Title: A Guideline-Augmented Multi-Agent Framework for Schema-as-Code Biomedical Named Entity Recognition
• Title（参考訳）: スキーマ・アズ・コード生物医学名認識のためのガイドライン強化型マルチエージェントフレームワーク
• Abstract要約: GAMAは、スキーマ・アズ・コードBioNERのためのガイドライン付きマルチエージェントフレームワークである。 計画コンポーネントは有理数でランク付けされたスパン型仮説を生成し、コーディングコンポーネントはそれらをスキーマ制約されたエンティティオブジェクトに変換する。 複数のLLMバックボーンを持つ5つの広く使われているBioNERデータセットの実験は、GAMAが強いLLMベースラインを一貫して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）: 20.369613885260247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have shown promising potential for biomedical named entity recognition (BioNER) through instruction following and in-context learning. However, existing LLM-based BioNER methods still face two key limitations. First, retrieved demonstrations and external biomedical knowledge provide limited support for dataset-specific annotation semantics, leaving entity boundaries, type scopes, and annotation conventions ambiguous. Second, free-form generation lacks sufficient structural control, often leading to invalid formats, hallucinated mentions, duplicated entities, and boundary errors. To address these limitations, we propose GAMA, a guideline-augmented multi-agent framework for schema-as-code BioNER. GAMA first induces candidate annotation rules from labeled training instances and verifies them against annotated data to construct reliable dataset-specific guideline memory. Guided by these verified rules, a planning component generates ranked span-type hypotheses with rationales, and a coding component converts them into schema-constrained entity objects. A verification module then checks span grounding, type validity, and structural compliance, and performs dual-loop refinement to correct invalid or low-confidence predictions. Experiments on five widely used BioNER datasets with multiple LLM backbones show that GAMA consistently outperforms strong LLM-based baselines. Ablation and parameter analyses further verify the effectiveness of the proposed components.
• Abstract（参考訳）: 大規模言語モデル (LLMs) は, 生物医学的名前付き実体認識 (BioNER) において, 指示の追従と文脈内学習を通じて有望な可能性を示唆している。 しかし、既存のLLMベースのBioNERメソッドは2つの重要な制限に直面している。 まず、検索されたデモと外部のバイオメディカル知識は、データセット固有のアノテーションセマンティクスを限定的にサポートし、エンティティ境界、型スコープ、アノテーション規約を曖昧にします。 第二に、フリーフォーム生成には十分な構造制御がなく、しばしば不正なフォーマット、幻覚的な言及、重複したエンティティ、境界エラーにつながる。 このような制約に対処するため,GAMA は,スキーマ・アズ・コードBioNER のためのガイドライン拡張型マルチエージェントフレームワークである。 GAMAはまず、ラベル付きトレーニングインスタンスから候補アノテーションルールを誘導し、アノテーション付きデータに対して検証し、信頼できるデータセット固有のガイドラインメモリを構築する。 これらの検証されたルールによって導かれ、計画コンポーネントは有理数でランク付けされたスパン型仮説を生成し、コーディングコンポーネントはそれらをスキーマ制約されたエンティティオブジェクトに変換する。 検証モジュールは、スパングラウンド、型検証、構造コンプライアンスをチェックし、無効または低信頼の予測を正すためにデュアルループリファインメントを実行する。 複数のLLMバックボーンを持つ5つの広く使われているBioNERデータセットの実験は、GAMAが強いLLMベースラインを一貫して上回っていることを示している。 アブレーションとパラメータ分析により,提案手法の有効性がさらに検証された。

関連論文リスト

• Enhancing Biomedical Named Entity Recognition via Multiple Programming Languages Instruction Tuning and Ensemble Method [20.369613885260247]
  我々は,BioNERのための多言語命令調整およびアンサンブル手法であるMITEを提案する。 MITEは、コード形式の表現で命令とエンティティ出力の両方を表現することで、BioNERを構造から構造への生成タスクとして再構成する。 6つの広く使用されているBioNERデータセットの実験では、MITEはBERTベースとLLMベースベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-10-02T07:42:44Z)
• Unlocking Biological Workflows for Robust Protein-Text Question Answering: A Dual-Dimensional RAG Framework [60.82334952881798]
  タンパク-テキスト質問回答(QA)は、自然言語による生物学的配列の解釈に不可欠である。 2D-ProteinRAGは,大規模言語モデル(LLM)を金本位生物研究ワークフロー内で動作させる新しいフレームワークである。 本研究では,2D-Proteinが常に最先端の性能を達成し,微調整ベースラインや他のRAG法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-05-17T05:03:24Z)
• Automated Standardization of Legacy Biomedical Metadata Using an Ontology-Constrained LLM Agent [0.1105171275481129]
  バイオメディカルメタデータの自動標準化システムを提案する。 システムは、要求に応じて正則正しい語彙語を検索するために、権威的用語サービスをリアルタイムでクエリする。 評価の結果,LLMをリアルタイムツールアクセスで拡張することにより,予測精度が一貫した向上が得られた。
  論文  参考訳（メタデータ） (2026-03-10T18:47:30Z)
• Generation-Augmented Generation: A Plug-and-Play Framework for Private Knowledge Injection in Large Language Models [48.65910216527897]
  GAG(Generation-Augmented Generation)は、プライベートな専門知識を専門的なモダリティとして扱い、コンパクトな表現レベルインターフェースを通じてそれを注入する。 GAGは2つのベンチマークで強力なRAGベースラインよりも15.34%、14.86%の専門性能を向上した。
  論文  参考訳（メタデータ） (2026-01-13T04:23:36Z)
• A Unified Biomedical Named Entity Recognition Framework with Large Language Models [44.92744341698289]
  大規模言語モデル(LLM)に基づくバイオメディカル名前付きエンティティ認識(BioNER)フレームワークを提案する。 まず、テキスト生成タスクとしてBioNERを再構成し、フラットなエンティティとネストされたエンティティの両方を共同で扱うシンボリックタグ戦略を設計する。 複数の中国語と英語のデータセットでバイリンガル共同微調整を行う。
  論文  参考訳（メタデータ） (2025-10-10T01:33:54Z)
• VANER: Leveraging Large Language Model for Versatile and Adaptive Biomedical Named Entity Recognition [3.4923338594757674]
  大型言語モデル(LLM)は、様々な種類のエンティティを抽出できるモデルを訓練するために使用することができる。 本稿では,オープンソースのLLM LLaMA2をバックボーンモデルとして利用し,異なるタイプのエンティティとデータセットを区別するための具体的な命令を設計する。 我々のモデルVANERは、パラメータの小さな分割で訓練され、従来のLLMモデルよりも大幅に優れており、LLMをベースとしたモデルとして初めて、従来の最先端のBioNERシステムの大部分を上回りました。
  論文  参考訳（メタデータ） (2024-04-27T09:00:39Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)
• Knowledge-Rich Self-Supervised Entity Linking [58.838404666183656]
  Knowledge-RIch Self-Supervision(KRISSBERT$)は400万のUMLSエンティティのためのユニバーサルエンティティリンカーである。 提案手法はゼロショット法と少数ショット法を仮定し,利用可能であればエンティティ記述やゴールドレファレンスラベルを簡単に組み込むことができる。 ラベル付き情報を一切使わずに400万のUMLSエンティティのためのユニバーサルエンティティリンカである$tt KRISSBERT$を生成する。
  論文  参考訳（メタデータ） (2021-12-15T05:05:12Z)
• Fast and Effective Biomedical Entity Linking Using a Dual Encoder [48.86736921025866]
  文書中の複数の言及を1ショットで解決するBERTベースのデュアルエンコーダモデルを提案する。 本稿では,提案モデルが既存のBERTモデルよりも複数倍高速であり,バイオメディカルエンティティリンクの精度に競争力があることを示す。
  論文  参考訳（メタデータ） (2021-03-08T19:32:28Z)

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。