論文の概要: HALO: Hierarchical Evidence Selection and Reinforcement Learning for Allocating Budgeted Label Optimization from Longitudinal Clinical Records

• arxiv url: http://arxiv.org/abs/2611.00986v1
• Date: Sat, 31 Oct 2026 14:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.445461
• Title: HALO: Hierarchical Evidence Selection and Reinforcement Learning for Allocating Budgeted Label Optimization from Longitudinal Clinical Records
• Title（参考訳）: HALO:長期臨床記録からの予算ラベル最適化のための階層的エビデンス選択と強化学習
• Abstract要約: このパイプラインは、何を読むか、どのラベルソースを予算で取得するかを学ぶ。 心不全症例では,HALOが8予算のうち6予算で獲得したF1が最高値に達した。
• 参考スコア（独自算出の注目度）: 8.803788861633697
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning from extensive longitudinal clinical records--spanning repeated encounters, evolving conditions, and heterogeneous documentation--under a finite labeling budget requires solving two coupled problems: deciding what evidence to keep and deciding which patients deserve higher-fidelity labels. Prior work on active learning and multi-fidelity label acquisition mainly addresses the second problem, while treating the evidence presented to the acquisition policy as fixed. We present HALO, a Hierarchical Evidence Selection and Reinforcement Learning pipeline for Allocating Budgeted Label Optimization from Longitudinal Clinical Records. This framework jointly learns what to read and what label source to acquire under budget. HALO first selects informative evidence from longitudinal records and then uses a budget-aware policy to allocate free-, silver-, and gold-fidelity label sources. For frozen policies, our theory characterizes asymmetric acquired-label channels and gives a budget-constrained finite-sample gold-risk bound for a common downstream logistic model. In a heart-failure case study, HALO attained the highest MedAlign acquired-label F1 at six of eight target budgets. A downstream classifier trained on HALO-acquired labels attained the highest external MGB F1 at budgets 15-60 and remained within 0.01 of the best comparator at budgets 75-120.
• Abstract（参考訳）: 広範な縦断的な臨床記録から学ぶ — 反復的な出会い、進化する条件、異種文書 -- は、有限のラベル付け予算の下で、どの患者がより高い忠実さのラベルに値するかを決め、どのエビデンスを保持すべきかという2つの問題を解決する必要がある。 積極的学習と多面的ラベル取得に関する先行研究は、主に第2の問題に対処し、取得方針に提示された証拠を定式化している。 縦断的臨床記録からの予算ラベル最適化のための階層的エビデンス選択強化学習パイプラインHALOについて述べる。 このフレームワークは、何が読むか、どのラベルソースを予算で取得するかを共同で学習する。 HALOはまず、縦断記録から情報的証拠を選定し、その後、予算に配慮したポリシーを用いて、フリー、シルバー、ゴールドのフィデリティのラベルソースを割り当てる。 凍結ポリシに対しては,非対称な獲得ラベルチャネルを特徴付けるとともに,共通下流ロジスティックモデルに対する予算制約付き有限サンプル金リスクを与える。 心不全のケーススタディでは、HALOは8つの予算のうち6つでMedAlignが獲得したF1の最高値に達した。 HALOが取得したレーベルで訓練された下流の分類器は15-60の予算で最高のMGB F1に達し、75-120の予算で最高のコンパレータの0.01以内にとどまった。

関連論文リスト

• SCOPE-AD: Sequential cost-aware ordinal-belief planning with energy-based models for diagnostic agents [15.368185203421945]
  アルツハイマー病の診断には、不均一な検査コストと患者の負担によるシーケンシャルエビデンス取得が必要である。 認知正常(CN)、軽度認知障害(MCI)、ADのコスト意識分類のためのSCOPE-AD(Sequential Cost-Aware Ordinal-Belief Planning with Energy-Based Models for Diagnostic Agents)を提案する。
  論文  参考訳（メタデータ） (2026-10-01T08:16:07Z)
• Zero-Shot Active Feature Acquisition via LLM-Elicitation [33.792645413345845]
  大規模言語モデル(LLM)は教師なしのドメイン知識を提供するが、シーケンシャルプランナーは乏しい。 我々は、規律的な勧誘を通じてゼロショットAFAのためのフレームワークを開発する。 フレームワークをバイナリ分類とトップ$kの識別という2つの設定に適用します。
  論文  参考訳（メタデータ） (2026-06-17T11:15:38Z)
• Market-Driven Subset Selection for Budgeted Training [1.7969777786551429]
  それぞれのトレーニング例を取引可能な契約として扱う,市場ベースのフレームワークを提案する。 厳格な60kの予算の下でのGSM8Kの数学的推論では、セレクタは強い単一信号基底線でパリティを達成する。 本フレームワークは,逐次的推論および分類タスクのための固定的な計算予算の下で,多信号データキュレーションを統一する。
  論文  参考訳（メタデータ） (2025-10-02T18:12:03Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• BiRQ: Bi-Level Self-Labeling Random Quantization for Self-Supervised Speech Recognition [63.45645200463539]
  BiRQは、BEST-RQの効率とHuBERTスタイルのラベル拡張の強化の利点を組み合わせた、双方向SSLフレームワークである。 提案手法は,960時間のLibriSpeech,150時間のAMIミーティング,5,000時間のYODASなど,さまざまなデータセットで検証する。
  論文  参考訳（メタデータ） (2025-09-18T21:09:29Z)
• RankMatch: A Novel Approach to Semi-Supervised Label Distribution Learning Leveraging Inter-label Correlations [52.549807652527306]
  本稿では,SSLDL (Semi-Supervised Label Distribution Learning) の革新的なアプローチである RankMatch を紹介する。 RankMatchは、ラベルのない大量のデータとともに、少数のラベル付き例を効果的に活用する。 我々はRandMatchに縛られる理論的な一般化を確立し、広範な実験を通じて既存のSSLDL法に対する性能上の優位性を実証した。
  論文  参考訳（メタデータ） (2023-12-11T12:47:29Z)
• Self-Evaluation Guided Beam Search for Reasoning [61.523627290397556]
  我々は,Large Language Model (LLM) の推論プロセスのガイドと校正を行うための段階的自己評価機構を導入する。 本稿では,ビームサーチによる自己評価ガイダンスを統合した復号アルゴリズムを提案する。 我々のアプローチは、GSM8K、AQuA、StrategyQAにおいて、対応するCodexバックボンドベースラインをわずかに精度6.34%、9.56%、および5.46%で上回る。
  論文  参考訳（メタデータ） (2023-05-01T02:37:59Z)
• Deep Reinforcement Learning for Cost-Effective Medical Diagnosis [41.10546022107126]
  強化学習を用いて、以前の観測結果に基づいて順次実験室のテストパネルを選択する動的ポリシーを探索する。 エンド・ツー・エンドのトレーニングやオンライン学習と互換性のあるセミモデルに基づく深層診断ポリシー最適化フレームワークを提案する。 SM-DDPOは、フェリチン異常検出、敗血症死亡予測、急性腎障害の診断など、様々な臨床的タスクでテストされている。
  論文  参考訳（メタデータ） (2023-02-20T19:47:25Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Gradient Descent in RKHS with Importance Labeling [58.79085525115987]
  我々は重要ラベル付け問題について研究し、ラベルなしデータが多く与えられている。 ラベルなしデータの情報サブセットを効果的に選択できる新しい重要ラベル方式を提案する。
  論文  参考訳（メタデータ） (2020-06-19T01:55:00Z)

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。