Fugu-MT 論文翻訳(概要): Concordance Plausibility Check for Intervention-Conditioned Human Digital Twins

論文の概要: Concordance Plausibility Check for Intervention-Conditioned Human Digital Twins

arxiv url: http://arxiv.org/abs/2610.24577v1
Date: Sat, 17 Oct 2026 09:15:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-22 17:34:27.089897
Title: Concordance Plausibility Check for Intervention-Conditioned Human Digital Twins
Title（参考訳）: 干渉駆動型ヒトデジタル双生児のコンセンサスプラウザビリティチェック
Abstract要約: インターベンション条件付きヒトデジタル双生児は、同じ患者では観察できない治療法を予測する。実世界の証拠, 資格シミュレーション, 臨床知識を組み合わせたクレーム中心のフレームワークであるConcordance Plausibility Check (CPC)を提案する。
参考スコア（独自算出の注目度）: 0.8563677225767868
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Intervention-conditioned human digital twins predict treatment alternatives that cannot be observed in the same patient. Ordinary predictive accuracy therefore cannot establish counterfactual credibility. We propose the Concordance Plausibility Check (CPC), a claim-centered framework combining real-world evidence, qualified simulation and clinical knowledge. CPC matches evidence to the causal claim, audits contradictions and shared dependencies, and reports Pass, Fail or reason-coded Indeterminate.
Abstract（参考訳）: インターベンション条件付きヒトデジタル双生児は、同じ患者では観察できない治療法を予測する。したがって、通常の予測精度は、カウンターファクトの信頼性を確立することができない。実世界の証拠, 資格シミュレーション, 臨床知識を組み合わせたクレーム中心のフレームワークであるConcordance Plausibility Check (CPC)を提案する。 CPCは、因果的主張と証拠を一致させ、監査の矛盾と依存関係を共有し、パス、フェイル、または合理的にコードされた不定詞を報告する。

関連論文リスト

Same Predictions, Different Harms: Causal Auditing of Patient World Models [0.0]
患者世界モデルは、移行カーネルと腕固有のリスクについて合意するが、治療を切り替えることによって傷つく患者の割合には同意しない。我々はこの信頼性ギャップを2段階の共有応答型SCMで評価する。その結果、患者世界モデルが対実的被害に対して安全であるかどうかを決定するための具体的なプロトコルが提供される。
論文参考訳（メタデータ） (2026-10-04T13:11:53Z)
Truth for Believable AI: Expressed Doubt, Provenance, and Belief Revision as an Engineerable Stance [0.0]
定型言語モデル上での動作層として,不確実性,先入観を意識したアサーション,明示的信念のリビジョンを実装できるかどうかを検証した。合成モデルとQwen2.5-0.5B-インストラクタを用いて,機械的に評価したマルチセッションベンチマークを用いて評価を行った。
論文参考訳（メタデータ） (2026-09-22T11:34:53Z)
Complex Problem Solving in Large Language Models: A Statistical Control Survey and Diagnostic Framework [52.886947585847594]
大規模言語モデル(LLM)による複雑な問題解決は、しばしばより強い推論やより長い生成の問題としてフレーム化される。しかし、早期のエラー増幅、迅速な脆さ、誤ったコミットメントを修正する失敗を説明するのは難しい。本調査はCPSを潜在解状態上の逐次推定・決定問題と解釈する。
論文参考訳（メタデータ） (2026-09-17T18:28:45Z)
Calibration-First Cross-Cohort Multimodal Temporal Learning for Transferable Asthma-Risk Forecasting [0.0]
喘息の悪化予測は、患者の人口、センサーのエコシステム、利用可能なモダリティが変化しても、確実に行う必要がある。不完全データを用いた近地リスク予測のためのキャリブレーションファーストマルチモーダル時間フレームワークであるCALIBRAを提案する。
論文参考訳（メタデータ） (2026-09-17T08:19:47Z)
CliniCARE-Bench: Clinical Calibrated Audit of Medical Reasoning in EHR [15.66578453195388]
CliniCARE-Benchは、振り返り臨床検査のベンチマークである。実患者由来MIMIC-IVデータより, 患者特異的症例750例と推定した。システムは4つの評決のうちの1つを返す: Yes, No, Indeterminate: Lack of Data, or Indeterminate: Medically Ambiguous。
論文参考訳（メタデータ） (2026-08-07T22:39:13Z)
Beyond Relevance: Bayesian Evidence Acquisition for Agentic Whole-Slide Image Reasoning [72.86819994769634]
全体スライド画像推論(WSI)では、診断問題に答える前に、エージェントが視覚的証拠を逐次取得する必要がある。本稿では,WSI推論をベイズ証拠取得問題として再検討する,プラグイン・アンド・プレイのエージェント・フレームワークBEACONを提案する。
論文参考訳（メタデータ） (2026-08-06T08:40:57Z)
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)
The Digital Twin Counterfactual Framework: A Validation Architecture for Simulated Potential Outcomes [0.0]
Digital Twin Counterfactual Framework (DTCF) 五段階検証アーキテクチャは、シミュレーターが正しい反事実を生成できるという不当な主張を、観測可能なデータに対する偽証可能なテストに変換する。分解は因果量から極端に検証されるものへと分離する。共同因果関係の主張は明示的な前提付きとなる。
論文参考訳（メタデータ） (2026-04-01T19:04:15Z)
Towards Reliable Medical LLMs: Benchmarking and Enhancing Confidence Estimation of Large Language Models in Medical Consultation [97.36081721024728]
本稿では,現実的な医療相談におけるマルチターンインタラクションの信頼性を評価するための最初のベンチマークを提案する。本ベンチマークでは,3種類の医療データを統合し,診断を行う。本稿では,エビデンスを基盤とした言語自己評価フレームワークであるMedConfを紹介する。
論文参考訳（メタデータ） (2026-01-22T04:51:39Z)
A Double Machine Learning Approach to Combining Experimental and Observational Data [58.05402364136958]
実験と観測を組み合わせた二重機械学習手法を提案する。本フレームワークは, より軽度な仮定の下で, 外部の妥当性と無知性に対するファルシフィケーションテストを提案する。
論文参考訳（メタデータ） (2023-07-04T02:53:11Z)

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。