Dari penilaian individual ke himpunan yang memenuhi syarat: dekode global dengan kendala DDI
Artikel ini membandingkan pemilihan kombinasi obat kompatibel global yang optimal, yang diterapkan melalui mixed-integer linear programming, dengan beberapa skema penyelesaian konflik DDI secara lokal menggunakan skor FLAME tetap pada MIMIC-III. Pada set uji, pendekatan global memberikan peningkatan Jaccard yang kecil tetapi konsisten, yang makin besar saat batasan diperketat dan mencapai +0.0064 dibandingkan metode lokal terbaik.
Perumusan masalah: dari skor ke himpunan yang valid
Rekomendasi obat tidak hanya membutuhkan skor obat yang tinggi. Himpunan obat juga harus valid dari segi interaksi DDI. Makalah arXiv:2610.29228 dipresentasikan pada 21 Oktober 2026. Makalah ini membandingkan perbaikan lokal dengan dekode global eksak. Dalam semua perbandingan, skor obat, ukuran himpunan keluaran, dan batasan DDI ditetapkan sama.
Dalam makalah ini, digunakan skor dari pengklasifikasi FLAME yang dibekukan pada MIMIC-III. Kondisi utama perbandingan:
- skor obat ditetapkan sama;
- ukuran himpunan keluaran ditetapkan sama;
- batasan DDI ditetapkan sama.
Kesimpulan: metode hanya layak dibandingkan jika skor, ukuran himpunan, dan batasan DDI sama. Jika tidak, perbedaan Jaccard tidak menunjukkan kontribusi metode.
Dekode global melalui MILP
Dekoder global memilih himpunan obat yang valid secara bersamaan. Dekoder ini memilih himpunan valid dengan skor tertinggi, dengan batasan DDI. Untuk itu, digunakan pemrograman linear bilangan bulat campuran. Dalam makalah, pendekatan ini disebut dekode global eksak.
Tahapan:
- memperoleh skor obat;
- menetapkan ukuran himpunan keluaran;
- menetapkan batasan DDI;
- menemukan himpunan valid dengan skor tertinggi melalui MILP.
Kesimpulan: dekode global menyelesaikan seluruh masalah pemilihan himpunan sekaligus. Kriteria praktisnya adalah menggunakannya ketika batasan DDI ditetapkan secara ketat dan kepatuhan yang akurat terhadap persyaratan validitas diperlukan.
Strategi perbaikan lokal
Metode lokal memperbaiki pelanggaran DDI dalam suatu himpunan. Dalam makalah ini, tiga strategi dibandingkan. Greedy repair melakukan perbaikan secara greedy. Degree-aware repair memperhitungkan derajat simpul. Varian yang diperkuat menambahkan exhaustive 1-swap local search.
Strategi:
- greedy repair;
- degree-aware repair;
- degree-aware repair yang diperkuat dengan exhaustive 1-swap local search.
Kesimpulan: metode lokal berbeda dalam memperhitungkan struktur dan cakupan pencarian lokal. Kriteria pemilihan: periksa bagaimana strategi memperbaiki pelanggaran DDI dan mempertahankan skor obat.
Perbandingan pada split validation dan test
Pada split validation dan test, dekode global secara konsisten menghasilkan Jaccard similarity yang lebih tinggi dibandingkan metode lokal.
| Pendekatan | Kelas | Hasil dalam makalah |
|---|---|---|
| Dekode global | global eksak | Jaccard lebih tinggi pada validation dan test |
| Greedy repair | perbaikan lokal | dibandingkan; Jaccard lebih rendah daripada dekode global |
| Degree-aware repair | perbaikan lokal | dibandingkan; Jaccard lebih rendah daripada dekode global |
| Degree-aware repair + exhaustive 1-swap | perbaikan lokal | dibandingkan; Jaccard lebih rendah daripada dekode global |
Kesimpulan: dalam hal Jaccard similarity, dekode global mengungguli metode lokal pada validation dan test. Kriteria: jadikan Jaccard similarity sebagai acuan saat memilih metode.
Tingkat keketatan batasan DDI dan komposisi kesalahan
Keunggulan dekode global kecil ketika batasan DDI longgar. Keunggulan tersebut meningkat ketika batasan diperketat. Pada split test, di titik operasi DDI yang ketat, keunggulannya atas baseline lokal terkuat adalah +0.0064 Jaccard.
Hasil ini tetap berlaku:
- dalam fine accuracy–DDI sweep dengan realized DDI exposure yang disamakan;
- untuk tiga representasi skor.
Pada pengaturan ketat, dekode global mempertahankan lebih banyak obat true positive. Dekode ini juga menghapus lebih banyak false positive.
Kesimpulan: semakin ketat batasan DDI, semakin penting pemilihan himpunan secara global. Kriteria praktis: dalam mode ketat, nilai metode berdasarkan Jaccard, kemampuan mempertahankan obat true positive, dan penghapusan false positive.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
LLM Medis Mengetahui Revisi Pedoman, tetapi Sering Menjawab Berdasarkan Pedoman Lama
Studi ChronoEvo terhadap 1709 perubahan rekomendasi klinis menunjukkan: pada model utama, 90,8% jawaban mencatat pembaruan, tetapi hanya 58,5% yang menerapkannya sepenuhnya, sementara kesenjangan sebesar 32,3 poin persentase tetap terlihat pada 14 model. Bahkan peningkatan visibilitas pembaruan tidak menghasilkan peningkatan signifikan dalam penerapan penuh aturan baru ke dalam rekomendasi klinis.
4 November 2026
Model dunia untuk agen berbasis LLM tertutup: koreksi pada titik risiko
PAWM diusulkan sebagai prediktor eksternal yang tidak menduplikasi observasi langkah demi langkah, tetapi aktif saat kegagalan mungkin terjadi dan mengarahkan agen menjauhi tindakan yang keliru. Setelah SFT pada skenario sintetis dan pelatihan bersama GRPO, metode ini menghasilkan peningkatan 24,3% di ScienceWorld dan 7,7% di WebArena-Lite untuk Claude Sonnet 4.5.
4 November 2026
Lapisan klasifikasi di atas SpeechLLM: keunggulannya dibandingkan pembuatan label dalam pengenalan emosi
Dengan menggunakan dataset IEMOCAP dan MELD, keluaran generatif berupa label emosi dibandingkan dengan pengklasifikasi linear yang diterapkan pada representasi tersembunyi SpeechLLM yang ringkas. Peningkatan kualitas dari pengklasifikasi ini tidak berlaku universal: hasilnya bergantung pada korpus dan apakah yang digunakan adalah transkrip acuan atau hasil ASR.
4 November 2026