論文の概要: LG-Bench: A Graph-Structured Evaluation Benchmark for Life Sciences
- arxiv url: http://arxiv.org/abs/2610.26787v1
- Date: Mon, 19 Oct 2026 17:38:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 01:23:04.098933
- Title: LG-Bench: A Graph-Structured Evaluation Benchmark for Life Sciences
- Title（参考訳）: LG-Bench:ライフサイエンスのためのグラフ構造化評価ベンチマーク
- Abstract要約: 今回紹介するのは、生命科学のためのグラフ構造化ベンチマークで、医学、生物学、化学の分野にまたがる1万以上の高品質なマルチチョイスの質問を特徴とする。
提案手法は,二方向マッチングとセマンティック類似性アルゴリズムを用いて重み付き評価グラフを構築し,ノードが質問を表現し,エッジ重みがセマンティック関係をキャプチャする。
Global Coherence Score (GCS) は意味的に関連する地区内のモデルの一貫性を測定し、Knowledge Balance Score (KBS) は概念的な盲点を明らかにするために、グラフ全体でモデルエラーがどのように分散されているかを分析する。
- 参考スコア（独自算出の注目度）: 69.5138691200144
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional evaluation benchmarks reduce inherently interconnected scientific knowledge in life sciences into flat lists of questions, disregarding the underlying topological structure of the knowledge. We introduce, the first graph-structured benchmark for life sciences, featuring over 10,000 high-quality multiple-choice questions across medicine, biology, and chemistry. Our approach constructs a weighted evaluation graph using bidirectional matching and semantic similarity algorithms, where nodes represent questions and edge weights capture their semantic relationships. Leveraging this graph topology, we design two novel evaluation metrics. The Global Coherence Score (GCS) measures a model's consistency within semantically related neighborhoods, while Knowledge Balance Score (KBS) analyzes how model errors are distributed across the graph to reveal conceptual blind spots. LG-Bench facilitates fine-grained comparison of LLMs by surfacing differences in conceptual coherence and patterns of knowledge organization across models. Our framework shifts the evaluation paradigm from flat accuracy metrics to structure-aware analysis, offering a new lens for diagnosing and improving LLM performance in the life sciences domain.
- Abstract（参考訳）: 従来の評価ベンチマークは、生命科学において本質的に相互に結びついている科学知識を、その知識の基盤となるトポロジ的構造を無視して、平らな質問のリストに還元する。
今回紹介するのは、生命科学のためのグラフ構造化ベンチマークで、医学、生物学、化学にまたがる1万以上の高品質なマルチチョイスの質問を特徴とする。
提案手法は,二方向マッチングとセマンティック類似性アルゴリズムを用いて重み付き評価グラフを構築し,ノードが質問を表現し,エッジ重みがセマンティック関係をキャプチャする。
このグラフトポロジを利用して、2つの新しい評価指標を設計する。
Global Coherence Score (GCS) は意味的に関連する地区内のモデルの一貫性を測定し、Knowledge Balance Score (KBS) は概念的な盲点を明らかにするために、グラフ全体でモデルエラーがどのように分散されているかを分析する。
LG-Benchは、概念的コヒーレンスとモデル間の知識体系のパターンの違いを指摘することによって、LLMのきめ細かい比較を容易にする。
我々のフレームワークは, 評価パラダイムをフラットな精度測定から構造認識分析にシフトさせ, 生命科学領域におけるLCM性能の診断・改善のための新しいレンズを提供する。
関連論文リスト
- Geometry of Semantic Space: Comparative Study of Discrete and Continuous Models [0.0]
教師付きベクトル埋め込みと、より直接的に意味関係を符号化する語彙共起グラフを比較する。
対照的に、グラフベースのモデルは、より明確で、より人間的に読みやすい意味の組織を明らかにする。
論文 参考訳（メタデータ） (2026-06-05T11:47:22Z) - Topology Matters: A Cautionary Case Study of Graph SSL on Neuro-Inspired Benchmarks [3.9042998611300455]
本稿では,ノード,エッジ,グラフレベルの埋め込みを共同で学習する階層型自己教師型学習(SSL)フレームワークを提案する。
我々はコネクトームのトポロジカルな性質を模倣した制御可能な合成ベンチマークを構築した。
この結果から,コネクトームのようなデータに汎用グラフSSLを適用する際の根本的な落とし穴が明らかとなった。
論文 参考訳（メタデータ） (2026-02-03T07:35:54Z) - Graph Self-Supervised Learning with Learnable Structural and Positional Encodings [39.20899720477907]
我々は、$k$-hopメッセージパッシングスキームを統合したGNNフレームワークであるemphGenHopNetを紹介する。
また,学習過程全体を通してトポロジ的情報を組み込んだ構造的および位置対応GSSLフレームワークを提案する。
我々の研究は、類似の局所構造を持つグラフと異なるグローバルトポロジを持つグラフを区別するGSSLの能力を大幅に向上させた。
論文 参考訳（メタデータ） (2025-02-22T14:10:06Z) - GNNAnatomy: Rethinking Model-Level Explanations for Graph Neural Networks [20.05098366613674]
グラフニューラルネットワーク(GNN)は、グラフベースのタスク間で優れたパフォーマンスを達成するが、解釈は困難である。
本稿では, 落とし穴を回避しつつ説明文を生成する蒸留法である GNN Anatomy を紹介する。
クラス内の構造的多様性を説明するため、GNNAnatomyは人間とAIのコラボレーションをサポートするインターフェースを通じて、必要な粒度で説明を生成する。
論文 参考訳（メタデータ） (2024-06-06T23:09:54Z) - Graph-level Protein Representation Learning by Structure Knowledge
Refinement [50.775264276189695]
本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。
本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-05T09:05:33Z) - Contextualized Structural Self-supervised Learning for Ontology Matching [0.9402105308876642]
我々はLaKERMapと呼ばれる新しい自己教師型学習フレームワークを導入する。
LaKERMapは暗黙の知識をトランスフォーマーに統合することで、概念の文脈的および構造的情報を活用する。
我々の革新的なアプローチから得られた知見は、LaKERMapがアライメント品質と推論時間で最先端のシステムを上回っていることを示している。
論文 参考訳（メタデータ） (2023-10-05T18:51:33Z) - Histopathology Whole Slide Image Analysis with Heterogeneous Graph
Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。
具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。
我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-07-09T14:43:40Z) - Localized Contrastive Learning on Graphs [110.54606263711385]
局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。
その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
論文 参考訳（メタデータ） (2022-12-08T23:36:00Z) - Uncovering the Structural Fairness in Graph Contrastive Learning [87.65091052291544]
グラフコントラスト学習(GCL)は、ノード表現を学習するための有望な自己教師型アプローチとして登場した。
GCL法で得られた表現は,GCN法で学習した表現よりも既に公平であることを示す。
我々は、低次ノードと高次ノードに異なる戦略を適用し、GRAph contrastive learning for Degree bias (GRADE)と呼ばれるグラフ拡張手法を考案した。
論文 参考訳（メタデータ） (2022-10-06T15:58:25Z) - Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。
SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文 参考訳（メタデータ） (2021-03-05T09:03:03Z)
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。