論文の概要: Taking the PULSE of Medical Reasoning: Step-Level Retrieval Timing for Knowledge-Grounded Inference

• arxiv url: http://arxiv.org/abs/2610.20292v1
• Date: Wed, 14 Oct 2026 14:47:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.209257
• Title: Taking the PULSE of Medical Reasoning: Step-Level Retrieval Timing for Knowledge-Grounded Inference
• Title（参考訳）: 医学推論のPULSE:知識を中心とした推論のためのステップレベル検索タイミング
• Abstract要約: ステップレベルの検索制御のための固有信号としてモデルの内部表現を用いる軽量な探索法PUlSEを提案する。 本研究は,表面信頼度推定から適応アクセスのための内部アクティベーションダイナミクスへ,検索トリガー設計を移行するための最初のステップを提供する。
• 参考スコア（独自算出の注目度）: 42.096561353871564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable medical reasoning requires LLMs to dynamically access external biomedical evidence to improve factual trustworthiness and reasoning accuracy. However, indiscriminate retrieval can introduce noise and latency, raising a critical retrieval-timing problem: at each reasoning step, the system must decide whether the model's internal knowledge is reliable or external evidence is needed. We propose PUlSE, a lightweight probing method that uses the model's internal representations as intrinsic signals for step-level retrieval control. Our posterior trajectory analysis reveals that erroneous steps exhibit substantially higher inter-layer volatility than correct ones, suggesting unstable internal knowledge. Based on this finding, PUlSE trains a compact probe on inter-layer geometric features to detect factual errors upon step completion, and uses it as an adaptive trigger for retrieval and step regeneration. Across four medical benchmarks, PUlSE-timed retrieval matches exhaustive per-step retrieval in accuracy while reducing retrieval calls by 72%, and can transfer to an unseen legal domain, indicating potential domain-agnostic generality. Overall, our study provides an initial step toward shifting retrieval-trigger design from surface-level confidence estimates to internal activation dynamics for adaptive access.
• Abstract（参考訳）: 信頼性の高い医学推論では、LCMは実際の信頼性と推論精度を向上させるために、外部の生医学的証拠を動的にアクセスする必要がある。 しかし、識別不能な検索はノイズや遅延を導入し、重要な検索最適化問題を提起する。各推論ステップにおいて、システムはモデルの内部知識が信頼できるか、外部証拠が必要であるかを決定する必要がある。 ステップレベルの検索制御のための固有信号としてモデルの内部表現を用いる軽量な探索法PUlSEを提案する。 内的知識の不安定さが示唆されるため, 後部軌道解析の結果, 誤動作により層間変動が有意に高いことが判明した。 この発見に基づいて、PUlSEは階層間幾何学的特徴に関するコンパクトなプローブを訓練し、ステップ完了時の事実誤差を検出し、それを検索とステップ再生のための適応的なトリガとして利用する。 4つの医学ベンチマークで、PUlSEタイムド検索は、検索コールを72%削減しながら、ステップ毎の完全検索と精度で一致し、ドメインに依存しない潜在的な汎用性を示す、見当たらない法的ドメインに転送できる。 本研究は,表面信頼度推定から適応アクセスのための内部アクティベーションダイナミクスへ,検索・トリガー設計を移行するための最初のステップを提供する。

関連論文リスト

• Measure, Don't Optimize: Forecasting Recovery in LLM Unlearning [57.920153607557744]
  J-Accessは、モデル出力経路に沿ってターゲット概念がアクセス可能な頻度を測定する推論時監査である。 我々は8つの未学習手法にまたがる398の公開未学習モデルを監査する。
  論文  参考訳（メタデータ） (2026-08-11T20:16:20Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• 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)
• AgentEHR: Advancing Autonomous Clinical Decision-Making via Retrospective Summarization [28.032865974227875]
  RetroSumは、レトロスペクティブの要約メカニズムと進化するエクスペリエンス戦略を統合するフレームワークである。 競争ベースラインよりも29.16%のパフォーマンス向上を実現し、全体のインタラクションエラーを92.3%まで大幅に削減した。
  論文  参考訳（メタデータ） (2026-01-20T12:48:04Z)
• Bridging the Knowledge-Action Gap by Evaluating LLMs in Dynamic Dental Clinical Scenarios [9.865786198063644]
  受動的知識検索装置から自律的臨床エージェントへの大規模言語モデル(LLM)の移行は、静的精度から動的行動信頼性への評価のシフトを要求する。 本研究は, 歯科用LLMの能力境界を実証的に表し, 標準化された知識と安全で自律的な臨床実践のギャップを埋めるためのロードマップを提供する。
  論文  参考訳（メタデータ） (2026-01-19T11:36:39Z)
• A systematic evaluation of uncertainty quantification techniques in deep learning: a case study in photoplethysmography signal analysis [1.6690512882610855]
  ディープラーニングモデルは、臨床外の生理的パラメータを継続的に監視するために使用することができる。 実践的な測定シナリオに配備された場合、パフォーマンスが悪くなるリスクがあり、負の患者結果につながる。 ここでは、2つの臨床関連予測タスクで訓練されたモデルに対して、8つの不確実性(UQ)技術を実装する。
  論文  参考訳（メタデータ） (2025-10-31T22:54:13Z)
• KnowGuard: Knowledge-Driven Abstention for Multi-Round Clinical Reasoning [44.49237466254508]
  臨床実践では、患者情報が不十分な場合、医師は意思決定を控える。 禁忌として知られるこの行動は、潜在的に有害な誤診を防ぐ重要な安全メカニズムである。 臨床意思決定のための体系的な知識グラフ探索を統合する新しいパラダイムであるKnowGuardを提案する。
  論文  参考訳（メタデータ） (2025-09-29T14:03:01Z)
• InteGround: On the Evaluation of Verification and Retrieval Planning in Integrative Grounding [51.80327078402434]
  仮説クエリをサポートするために、複数の独立したエビデンスを検索し、検証するという課題である。 まず,LLMは冗長な証拠に対して頑健であるのに対して,情報の不完全な場合,内部知識を合理的に活用する傾向にある。 ノイズ導入による非方向性計画が性能を低下させるのに対して, 前提推論は論理的制約のため, 有望なアプローチとして現れる。
  論文  参考訳（メタデータ） (2025-09-20T04:48:24Z)
• Mutual Information Tracks Policy Coherence in Reinforcement Learning [0.0]
  強化学習(RL)エージェントは、センサの故障、アクチュエータの摩耗、環境変化による劣化に直面している。 本稿では,RLの基本動力学を両立させる情報理論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-12T17:24:20Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)

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。