論文の概要: Every Edge Needs a Quote: Building a Quote-Grounded Knowledge Graph of Healthcare Software Adoption with Language-Model Agents

• arxiv url: http://arxiv.org/abs/2610.32781v1
• Date: Fri, 23 Oct 2026 15:28:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.59374
• Title: Every Edge Needs a Quote: Building a Quote-Grounded Knowledge Graph of Healthcare Software Adoption with Language-Model Agents
• Title（参考訳）: 言語モデルエージェントによる医療ソフトウェア導入の知識グラフの構築
• Abstract要約: オープンウェブから顧客と統合関係の知識グラフを構築するパイプラインを提示する。 すべてのエッジは、ソースページからの冗長な引用によってサポートされなければなりません。 本稿では,文字列マッチングされたモデル呼び出し,文字列マッチングされたエビデンス,長期コンテキストと実行間分散に対する投票アドレスの狭さについて論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hospitals regularly buy software that clinicians and patients depend on. Because these purchases are costly, hard to reverse and can affect patient care, buyers look for evidence of which peer institutions already use a product and which systems it connects to. This evidence is public but scattered across vendor websites, press releases and third-party pages. Language-model agents can now collect it at low cost, but the correctness of the extracted claims is difficult to establish, and a wrongly listed customer can mislead buyers and misrepresent an organisation. We present a pipeline that builds a knowledge graph of customer and integration relations from the open web under one rule: every edge must be supported by a verbatim quote from its source page. Pages come from a deterministic crawl of each vendor's site and a budgeted ReAct agent that searches the rest of the web. A permissive extractor proposes relations with quotes, and a layered grounding stage decides which to keep, using a referent step that reads the whole page when a quote names only one side, deterministic checks, and a panel of five model calls voting on nine criteria. On 61 vendors, the pipeline reaches 0.94 precision and 0.71 recall against a page-level key covering the 6,428 candidate relations proposed by its extractor, whose verdicts were drafted by one model and re-checked with a second. Against the golden reference, the marketplace's own curated list, it scores lower, but 89% of the relations it keeps that the reference lacks are stated on a page. A confidence score built from the panel's votes keeps more correct relations than the fixed rule at the same precision, and reaches 0.90 precision at 0.90 recall. We also discuss how narrow, bounded model calls, string-matched evidence and voting address long-context degradation and run-to-run variance.
• Abstract（参考訳）: 病院は、診療医や患者が依存するソフトウェアを定期的に購入する。 これらの購入はコストが高く、逆転しにくく、患者のケアに影響を与える可能性があるため、購入者はどのピア機関がすでに製品を使っているか、どのシステムに接続しているかを示す証拠を探す。 この証拠は公開されているが、ベンダーのウェブサイト、プレスリリース、サードパーティのページに散らばっている。 言語モデルエージェントは、それを低コストで収集することができるが、抽出されたクレームの正しさを確立することは困難であり、不正にリストされた顧客は購入者を誤解させ、組織を誤って表現することができる。 我々は、オープンなWebから顧客と統合関係の知識グラフを構築するパイプラインを1つのルールで提示する。 ページは、各ベンダーのサイトの決定論的クロールと、Webの残りの部分を検索する予算付きReActエージェントから来る。 許容抽出器は、引用語との関係を提案し、層状接地ステージは、引用語名が片側のみである場合にページ全体を読み取る参照ステップと、決定性チェックと、9つの基準で投票する5つのモデルコールのパネルとを用いて、どちらを保持するかを決定する。 61のベンダーでは、パイプラインは0.94の精度に達し、抜粋者によって提案された6,428の候補関係をカバーするページレベルのキーに対して0.71のリコールが行われた。 マーケットプレース独自のキュレートされたリストである黄金の参照に対して、スコアは低いが、参照の欠如がページ上で述べられているように、関係の89%が維持されている。 委員会の投票で作られた信頼スコアは、同じ精度で固定された規則よりも正確な関係を維持し、0.90のリコールで0.90の精度に達する。 また,制限付きモデル呼び出し,文字列マッチングされたエビデンス,長文劣化と実行間分散の投票方法についても論じる。

関連論文リスト

• MARS: Malware Analysis with Rule-Based Scoring of LLM Claims [0.08460698440162889]
  大規模な言語モデルでは、外部ポリシーによる直接的な判断や行動的クレームを通じてマルウェアをトリアージすることができる。 マルウェアトリアージフレームワークであるMARSについて,直接分類とシングルパスクレームスコアを比較した。 我々は、アーカイブされた評定を正確に再現し、修正されたポリシーを同じレコードに適用し、提供者によって取り下げられた2つの追加モデルの出力を含む。
  論文  参考訳（メタデータ） (2026-10-07T06:55:35Z)
• Jev-as-a-Judge for RAG Claim Verification: Confidence-Gated Cascading Between a Non-Generative Verifier and a Frontier LLM [0.0]
  我々は、宣言された列挙式から型付き値を返す非生成的決定モデルと、ネイティブな確率と、テキストなしで比較する。 どちらもLLM-AggreFactの495人の人間による主張に答えている。 この2つの系は、通常187倍のコスト差で -0.56 点の対差 Jev minus Astra で統計的に区別できない。
  論文  参考訳（メタデータ） (2026-09-30T15:32:51Z)
• Retrieve, Match, Escalate: Accurate and Scalable Product Linking with VLM-Distilled Cross-Encoders and Agentic VLMs [1.799279866735219]
  プロダクトリンクは断片化されたリストを集約するので、下流の検索、レコメンデーション、広告は製品ごとに1つのクリーンなエントリを見ることができる。 市場規模では、何十億もの騒々しいマルチカテゴリのレコードが、何千万もの標準製品に対して解決されなければならない。 本稿では, 難易度に比例した生産回収マッチカスケードを提案する。
  論文  参考訳（メタデータ） (2026-08-25T18:26:34Z)
• Invocation-Level Reliability of Tool-Using Agents [0.7874708385247353]
  クリーンな教師強化コンテキストと,モデル独自のフリーランニングコンテキストの両方の下で,その2つを分離する,正しい起動率を測定する。 深さ6では、モデル自身のクリーンコンテキスト能力の約70%が、以前の失敗に失われる。
  論文  参考訳（メタデータ） (2026-08-23T09:04:59Z)
• When AI Writes, Who Gets Cited? Evidence of Citation Monoculture Across Language Models [45.91367912142692]
  異なるモデルがいまだに同じ狭い部分集合を選択している可能性を示し、単一の引用が誤りを犯さずに、引用モノカルチャーを生成する。 3つのベンダーの11のモデルが、30のランダムなパネルから少なくとも10の論文を選択しており、実際のタイトルと抽象物があるが、作者が作り直され、再割り当て年、隠れた会場と引用数がある。
  論文  参考訳（メタデータ） (2026-08-03T14:27:46Z)
• QuantumNovelty: A Skill-Orchestrating Language Agent for Referee-Style Review and Patentability Screening of Quantum Papers and Patents [0.304585143845864]
  本稿では,量子計算アーティファクトを生成する言語エージェントQuantumNoveltyについて紹介する。 すべてのモデルコールには、バックエンド、トークン数、コストが記録される。 我々は、人間の専門家に対して正確さを主張せず、人間ラベルなしで確認できるもののみを検証する。
  論文  参考訳（メタデータ） (2026-07-09T11:35:04Z)
• CoEval: Ranking Language Models for Custom Tasks Without Labeled Data or Trustworthy Benchmarks [47.027290803102666]
  アンサンブル自己評価を通じて信頼性の高いタスク固有信号を提供するオープンフレームワークであるCoEvalを提案する。 モデルのプールは教師、学生、裁判官の3つの役割すべてを通して回転し、新鮮な汚染のないベンチマークを生成する。
  論文  参考訳（メタデータ） (2026-06-02T13:41:43Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• The Price Reversal Phenomenon: When Cheaper Reasoning Models End Up Costing More [76.93600828673503]
  リストAPIの価格設定は、実際のコストに対する信頼性の低いプロキシである。 思考トークンのコストの削減は、ランキングの反転を70%削減します。 この結果から,コスト意識モデル選択と透過的な要求毎のコスト監視の必要性が示唆された。
  論文  参考訳（メタデータ） (2026-03-25T06:07:39Z)
• Calibrated Interpretation: Confidence Estimation in Semantic Parsing [37.28245521206576]
  一般的な4つのセマンティックパーシングデータセットのキャリブレーションについて検討する。 キャリブレーションエラーに関連する要因を分析し、2つの解析データセットの信頼度に基づく新たな課題分割を公表する。
  論文  参考訳（メタデータ） (2022-11-14T15:17:55Z)

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。