כתבה
arXiv cs.LG ·
ציטוט את מה שאתה חוקר: תקציב-מודע LLM ריצוי על רשתות ידע רפואיות עם ראיות ניתנות לאימות
Cite What You Explore: Budget-Aware LLM Reasoning over Medical KGs with Verifiable Evidence
מערכת ריצוי LLM תקציב-מודע על רשתות ידע רפואיות, שמספקת ראיות ניתנות לאימות. המערכת, שנקראת BAR, משתמשת ב-LLM כדי לפלן ולאמת את הראיות, ומספקת תיעוד נאמן של הראיות שהושגו. BAR נבחנה על 8 מחלות שונות ו-3 תקופות תחזית, והוכיחה יכולת גבוהה לשפר את תיאור הסיכונים לאחר שחרור, ולהגדיל את דיוק הציטוט של הראיות.
תקציר מקורי באנגליתarXiv:2610.07739v1 Announce Type: new Abstract: Post-discharge risk prediction from electronic health records (EHRs) is difficult because many dependencies that link discharge-time observations to downstream complications, such as comorbidity cascades and drug-disease interactions, are absent from the record. External medical knowledge graphs (KGs) can supply these missing dependencies, but tracing them demands three properties: KG exploration must remain cost-bounded, retrieved evidence must be differentiated by source quality, and the resulting rationale must be citable for retrospective review. Large language models (LLMs) can plan and verify over structured evidence, making them natural candidates for KG reasoning, but existing LLM-based methods do not satisfy these three properties jo
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית