論文の概要: Cite What You Explore: Budget-Aware LLM Reasoning over Medical KGs with Verifiable Evidence

• arxiv url: http://arxiv.org/abs/2610.07739v1
• Date: Tue, 06 Oct 2026 04:36:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.801287
• Title: Cite What You Explore: Budget-Aware LLM Reasoning over Medical KGs with Verifiable Evidence
• Title（参考訳）: 医療用KGを用いた予算対応LDM推論の検証
• Abstract要約: 減算後リスク予測のための予算対応推論フレームワーク バーは生のKGを病原性エビデンスグラフに精製する。 患者固有の予算の下で証拠を回収し、検証が失敗したときに修正する。
• 参考スコア（独自算出の注目度）: 22.756345846455627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Post-discharge risk prediction from electronic health records (EHRs) is difficult because many dependencies that link discharge-time observations to downstream complications, such as comorbidity cascades and drug-disease interactions, are absent from the record. External medical knowledge graphs (KGs) can supply these missing dependencies, but tracing them demands three properties: KG exploration must remain cost-bounded, retrieved evidence must be differentiated by source quality, and the resulting rationale must be citable for retrospective review. Large language models (LLMs) can plan and verify over structured evidence, making them natural candidates for KG reasoning, but existing LLM-based methods do not satisfy these three properties jointly. In this paper, we propose BAR, a Budget-Aware LLM Reasoning framework over medical KGs with three contributions. First, BAR refines the raw KG into disease-specific evidence graphs whose edges carry support scores and provenance records, turning the KG into a quality-annotated reasoning space rather than a static feature source. Second, an LLM then reasons over this graph through a plan-navigate-verify loop that decomposes the question into steps, retrieves evidence under a patient-specific budget, and revises when verification fails. Third, a reasoning policy is trained with a reward that compares predictions with and without acquired evidence, combined with acquisition cost and citation-integrity terms. Across 8 diseases and 3 prediction horizons on MIMIC-III and MIMIC-IV, BAR improves AUPRC by 3.4 points over the strongest baseline, raises citation precision from 59.8% to 77.9%, and consumes only 62-65% of the budget cap.
• Abstract（参考訳）: 電子健康記録(EHR)からの放流後リスク予測は, 共生カスケードや薬物放出相互作用など, 下流の合併症に放電時間観測を関連付ける多くの依存関係が欠落しているため, 困難である。 外部医療知識グラフ(KG)はこれらの欠落した依存関係を供給できるが、追跡には3つの特性が必要である。 大規模言語モデル(LLM)は、構造化された証拠を計画し検証し、KG推論の自然な候補とするが、既存のLCMベースの手法はこれら3つの性質を共同で満たさない。 本稿では,医療用KGに対するBudget-Aware LLM ReasoningフレームワークであるBARを提案する。 まず、BARは生のKGを、そのエッジがサポートスコアと証明記録を持っている病気固有のエビデンスグラフに洗練し、KGを静的な特徴源ではなく、品質アノテートされた推論空間に変える。 第二に、LCMは、このグラフを、質問をステップに分解し、患者固有の予算の下で証拠を回収し、検証が失敗したときに修正するプランナビゲート検証ループを通じて理由付けする。 第三に、推論ポリシーは、予測と、取得した証拠とを比較した報酬で訓練され、取得コストと引用積分項が組み合わされる。 MIMIC-IIIとMIMIC-IVの8つの疾患と3つの予測地平線の中で、BARはAUPRCを3.4ポイント改善し、引用精度を59.8%から77.9%に引き上げ、予算上限の62-65%しか消費していない。

関連論文リスト

• UniD$^3$: A Knowledge Graph-Enhanced RAG Framework for Drug-Disease Discovery and Reasoning [10.616744261460376]
  大規模言語モデルと知識グラフ強化検索生成(KG-RAG)を統合した統合フレームワークUniD$3$を紹介する。 UniD$3$ Process 157,849 PubMed article with Llama 3.3-70B は、2段階戦略で知識グラフを構築する。 これらのグラフは、KG-RAGベースの構造化データセットの生成、外部ベンチマークによる評価、キュレートされたリソースとのファジィマッチング、臨床レビューをサポートする。
  論文  参考訳（メタデータ） (2026-05-31T18:36:41Z)
• Explainable AML Triage with LLMs: Evidence Retrieval and Counterfactual Checks [19.272001035427987]
  本稿では,トリアージをエビデンス制約決定プロセスとして扱う,説明可能なAMLトリアージフレームワークを提案する。 提案手法は, (i) ポリシー/タイポロジーガイダンス, 顧客コンテキスト, 警告トリガ, トランザクションサブグラフと, (ii) 明示的な引用を必要とする構造的LCM出力契約, (iii) 矛盾や欠落した証拠から分離する構造的LCM出力契約, (iii) 最小限の, 妥当な摂動が, トリアージの推奨と理性の両方に一貫性のある変化をもたらすかどうかを検証した事実チェックを組み合わせる。
  論文  参考訳（メタデータ） (2026-03-22T05:51:40Z)
• FinReflectKG -- HalluBench: GraphRAG Hallucination Benchmark for Financial Question Answering Systems [0.0]
  現在の知識グラフ(KG)によるQAシステムは幻覚を検出するための体系的なメカニズムを欠いている。 SEC10-K申請に対するKG強化財務QAにおける幻覚検出手法を評価するためのベンチマークであるFinBench-QA-Hallucinationを紹介する。 本研究は、現在のKG強化システムにおける脆弱性を浮き彫りにし、信頼性の高い金融情報システムを構築するための洞察を提供する。
  論文  参考訳（メタデータ） (2026-03-11T04:37:53Z)
• MedOmni-45°: A Safety-Performance Benchmark for Reasoning-Oriented LLMs in Medicine [69.08855631283829]
  我々は,操作的ヒント条件下での安全性能トレードオフの定量化を目的としたベンチマークであるMed Omni-45 Degreesを紹介する。 6つの専門分野にまたがる1,804の推論に焦点を当てた医療質問と3つのタスクタイプが含まれており、その中にはMedMCQAの500が含まれる。 結果は、モデルが対角線を超えることなく、一貫した安全性と性能のトレードオフを示す。
  論文  参考訳（メタデータ） (2025-08-22T08:38:16Z)
• MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph [57.54231831309079]
  我々は、時間的に進化する医療知識グラフを構築するためのフレームワークであるMedKGentを紹介する。 生医学的知識の出現を, 微粒な日々の時系列でシミュレートする。 結果として得られるKGは156,275個のエンティティと2,971,384個のリレーショナルトリプルを含む。
  論文  参考訳（メタデータ） (2025-08-17T15:14:03Z)
• ReasonMed: A 370K Multi-Agent Generated Dataset for Advancing Medical Reasoning [54.30630356786752]
  ReasonMedは、これまでで最大の医療推論データセットで、370万の高品質な例がある。 マルチエージェント生成、検証、改善プロセスを通じて構築される。 ReasonMedを用いて、簡潔な答えの要約と詳細なCoT推論を統合することで、最も堅牢な微調整結果が得られる。
  論文  参考訳（メタデータ） (2025-06-11T08:36:55Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)

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。