समाचारतुलनाअनुसंधान

व्यक्तिगत आकलनों से अनुमेय समुच्चयों तक: DDI प्रतिबंधों के अंतर्गत वैश्विक डिकोडिंग

4 नवम्बर 20260 बार देखा गया

यह लेख MIMIC-III पर FLAME के निश्चित स्कोर के साथ, mixed-integer linear programming के ज़रिए लागू किए गए संगत दवाओं के सेट के सटीक वैश्विक चयन की तुलना DDI टकरावों को स्थानीय स्तर पर दूर करने की कई योजनाओं से करता है। परीक्षण नमूने पर वैश्विक विकल्प Jaccard के आधार पर थोड़ा, लेकिन लगातार बेहतर प्रदर्शन करता है; प्रतिबंध कड़े होने पर यह बढ़त और अधिक हो जाती है और सबसे मज़बूत स्थानीय आधारभूत विधि की तुलना में +0.0064 तक पहुँच जाती है।

व्यक्तिगत आकलनों से अनुमेय समुच्चयों तक: DDI प्रतिबंधों के अंतर्गत वैश्विक डिकोडिंग
कृपया अनुवाद के लिए सामग्री प्रदान करें।
  1. समस्या का निरूपण: स्कोर से स्वीकार्य सेट तक
  2. MILP के ज़रिए वैश्विक डिकोडिंग
  3. स्थानीय सुधार रणनीतियाँ
  4. validation और test splits पर तुलना
  5. DDI सीमा की कठोरता और त्रुटियों की संरचना

समस्या का निरूपण: स्कोर से स्वीकार्य सेट तक

दवाओं की अनुशंसा के लिए केवल दवाओं के उच्च स्कोर पर्याप्त नहीं हैं। DDI इंटरैक्शन के लिहाज़ से सेट का स्वीकार्य होना भी ज़रूरी है। arXiv:2610.29228 का प्रकाशन 21 अक्टूबर 2026 को हुआ। यह स्थानीय सुधारों की तुलना सटीक वैश्विक डिकोडिंग से करता है। सभी तुलनाओं में दवाओं के स्कोर, आउटपुट सेट का आकार और DDI सीमा तय रखते हैं।

इस कार्य में MIMIC-III पर फ़्रीज़ किए गए FLAME क्लासिफ़ायर के स्कोर इस्तेमाल किए गए हैं। तुलना की प्रमुख शर्तें:

  • दवाओं के स्कोर तय रखे जाते हैं;
  • आउटपुट सेट का आकार तय रखा जाता है;
  • DDI सीमा तय रखी जाती है।

निष्कर्ष: तरीकों की तुलना तभी सार्थक है, जब स्कोर, सेट का आकार और DDI सीमा समान हों। अन्यथा, Jaccard में अंतर से विधि के योगदान का पता नहीं चलता।

MILP के ज़रिए वैश्विक डिकोडिंग

वैश्विक डिकोडर दवाओं का स्वीकार्य सेट एक साथ चुनता है। यह DDI सीमा के तहत सबसे ऊँचे स्कोर वाला स्वीकार्य सेट चुनता है। इसके लिए मिश्रित-पूर्णांक रैखिक प्रोग्रामिंग (MILP) का इस्तेमाल किया जाता है। लेख में इस तरीके को सटीक वैश्विक डिकोडिंग कहा गया है।

चरण:

  • दवाओं के स्कोर प्राप्त करें;
  • आउटपुट सेट का आकार निर्धारित करें;
  • DDI सीमा निर्धारित करें;
  • MILP के ज़रिए सबसे ऊँचे स्कोर वाला स्वीकार्य सेट खोजें।

निष्कर्ष: वैश्विक डिकोडिंग पूरे सेट के चयन की समस्या हल करती है। व्यावहारिक मानदंड: जब DDI सीमा सख्ती से निर्धारित हो और स्वीकार्यता का सटीक पालन ज़रूरी हो, तब इसका इस्तेमाल करें।

स्थानीय सुधार रणनीतियाँ

स्थानीय तरीके सेट में DDI उल्लंघनों को ठीक करते हैं। इस कार्य में तीन रणनीतियों की तुलना की गई है। Greedy repair लालची सुधार करता है। Degree-aware repair नोड की डिग्री को ध्यान में रखता है। उन्नत संस्करण में exhaustive 1-swap local search जोड़ा गया है।

रणनीतियाँ:

  • greedy repair;
  • degree-aware repair;
  • exhaustive 1-swap local search से सशक्त किया गया degree-aware repair।

निष्कर्ष: स्थानीय तरीके संरचना को ध्यान में रखने और स्थानीय खोज के दायरे में अलग-अलग होते हैं। चयन का मानदंड: जाँचें कि रणनीति DDI उल्लंघनों को कैसे ठीक करती है और दवाओं के स्कोर को कैसे बनाए रखती है।

validation और test splits पर तुलना

validation और test splits पर, वैश्विक डिकोडिंग लगातार स्थानीय तरीकों से अधिक Jaccard similarity देती है।

तरीकाश्रेणीलेख में परिणाम
वैश्विक डिकोडिंगसटीक वैश्विकvalidation और test पर अधिक Jaccard
Greedy repairस्थानीय सुधारतुलना की गई; Jaccard में वैश्विक डिकोडिंग से पीछे
Degree-aware repairस्थानीय सुधारतुलना की गई; Jaccard में वैश्विक डिकोडिंग से पीछे
Degree-aware repair + exhaustive 1-swapस्थानीय सुधारतुलना की गई; Jaccard में वैश्विक डिकोडिंग से पीछे

निष्कर्ष: Jaccard similarity के मामले में, validation और test पर वैश्विक डिकोडिंग स्थानीय तरीकों से बेहतर है। मानदंड: तरीका चुनते समय Jaccard similarity को आधार बनाएँ।

DDI सीमा की कठोरता और त्रुटियों की संरचना

ढीली DDI सीमाओं के तहत वैश्विक डिकोडिंग का लाभ छोटा होता है। सीमा जितनी सख्त होती जाती है, यह लाभ उतना ही बढ़ता है। test split पर, strict DDI operating point में strongest local baseline के मुकाबले लाभ +0.0064 Jaccard है।

यह परिणाम बना रहता है:

  • matched realized DDI exposure के साथ fine accuracy–DDI sweep में;
  • स्कोर के तीन निरूपणों के लिए।

strict setting में वैश्विक डिकोडिंग अधिक true-positive medications बनाए रखती है। यह अधिक false positives को भी हटाती है।

निष्कर्ष: DDI सीमा जितनी सख्त होगी, सेट का वैश्विक चयन उतना ही महत्वपूर्ण होगा। व्यावहारिक मानदंड: strict मोड में Jaccard, true-positive medications को बनाए रखने और false positives को हटाने के आधार पर तरीके का मूल्यांकन करें।

अक्सर पूछे जाने वाले प्रश्न

समान सामग्री

सभी सामग्री
मेडिकल LLMs दिशानिर्देशों में संशोधन के बारे में जान लेते हैं, लेकिन अक्सर पुराने नियमों के अनुसार जवाब देते हैं
समाचार

मेडिकल LLMs दिशानिर्देशों में संशोधन के बारे में जान लेते हैं, लेकिन अक्सर पुराने नियमों के अनुसार जवाब देते हैं

1709 नैदानिक दिशानिर्देशों में हुए बदलावों पर ChronoEvo के अध्ययन से पता चलता है: मुख्य मॉडल में 90,8% उत्तरों ने नए बदलाव को दर्ज किया, लेकिन केवल 58,5% ने उसे पूरी तरह लागू किया; 32,3 प्रतिशत अंकों का यह अंतर 14 मॉडलों में बना रहा। अपडेट को अधिक प्रमुखता देने से भी नए नियमों को नैदानिक दिशानिर्देश में पूरी तरह शामिल करने में कोई महत्वपूर्ण बढ़ोतरी नहीं हुई।

4 नवम्बर 2026
बंद-स्रोत LLMs पर एजेंटों के लिए विश्व मॉडल: जोखिम-बिंदुओं पर सुधार
समाचार

बंद-स्रोत LLMs पर एजेंटों के लिए विश्व मॉडल: जोखिम-बिंदुओं पर सुधार

PAWM प्रस्तावित किया गया है—एक बाहरी प्रेडिक्टर, जो चरण-दर-चरण अवलोकन को दोहराता नहीं, बल्कि संभावित विफलता के समय सक्रिय होकर एजेंट को गलत कार्रवाई से दूर ले जाता है। सिंथेटिक परिदृश्यों पर SFT और GRPO के साथ सह-प्रशिक्षण के बाद, इस विधि ने Claude Sonnet 4.5 के लिए ScienceWorld में 24,3% और WebArena-Lite में 7,7% का सुधार दिया।

4 नवम्बर 2026
SpeechLLM पर वर्गीकरण परत: भावनाओं की पहचान में यह लेबल जनरेशन को कहाँ दरकिनार करती है
तुलना

SpeechLLM पर वर्गीकरण परत: भावनाओं की पहचान में यह लेबल जनरेशन को कहाँ दरकिनार करती है

IEMOCAP और MELD के डेटा पर, भावनात्मक लेबल के जनरेटिव आउटपुट की तुलना कॉम्पैक्ट SpeechLLM के छिपे हुए निरूपणों पर आधारित एक रैखिक वर्गीकारक से की गई। वर्गीकारक से गुणवत्ता में होने वाला सुधार सार्वभौमिक नहीं है: यह कॉर्पस पर और इस बात पर निर्भर करता है कि संदर्भ ट्रांसक्रिप्ट का उपयोग किया गया है या ASR के परिणामों का।

4 नवम्बर 2026
व्यक्तिगत आकलनों से अनुमेय समुच्चयों तक: DDI प्रतिबंधों के अंतर्गत वैश्विक डिकोडिंग