병리학에서 다중 출처 증거 심사 방식을 위한 경험이식된 작위적 워크플로우 방향으로의 PathoSage
최근 다중 모드 대규모 언어 모델(Multimodal Large Language Models, MLLMs)과 agent 워크플로우의 발전은 컴퓨터 병리학에 대한 강력한 가능성을 보여주었지만, 신뢰할 수 있는 패치 단위 추론은 여전히 어려운 문제입니다. 종단 병리학 MLLMs는 종종 형태학적 특징을 환각하고, 최근 agent 시스템은 일반적으로 도구 출력과 검색된 지식을 공유된 context로
병리학에서 다중 출처 증거 심사 방식의 필요성
최근 대규모 언어 모델과 에이전트 워크플로우의 발전은 컴퓨터 병리학에 대한 강력한 가능성을 보여주었습니다. 그러나 신뢰할 수 있는 패치 단위 추론은 여전히 어려운 문제입니다. 종단 병리학 언어 모델은 종종 형태학적 특징을 잘못 인식하고, 최근 에이전트 시스템은 일반적으로 도구 출력과 검색된 지식을 공유된 상황으로 통합하여, 충돌하는 증거와 상황 오염에 취약한 결정에 노출됩니다.
이러한 문제를 해결하기 위해, 우리는 패도세이지라는 세 단계 프레임워크를 제안합니다. 그것은 지식 검색, 증거 수집, 증거 심의를 위해 패치 단위 병리학 다중 모드 추론에서 명시적으로 분리합니다. 패도세이지의 핵심 구성 요소인 구조화된 증거 토론은 도구로부터의 혼합된 증거를 독립적으로 평가하고, 충돌 분석을 수행하며, 새로운 상황에서 최종 판단을 생성하여 고정된 편견을 줄입니다.
패도세이지의 구성 요소와 성능
또한, 우리는 훈련이 없는 베타-베르누이 경험 시스템을 소개합니다. 그것은 장기 도구 신뢰도와 향후 도구 사용을 위한 유사도 가중치 전제를 모델링하기 위해 연속적 신용 할당을 수행합니다. 실험 결과, 패도세이지는 강력한 병리학 언어 모델과 에이전트 기준보다 질문에 대한 답과 분류자 불일치를 효과적으로 완화합니다.
결과는 명시적인 증거 심의와 신뢰도 인식 도구 모델링이 강력한 병리학 에이전트의 핵심 요소임을 강조합니다. 이러한 연구 결과는 병리학에서 다중 출처 증거 심사 방식을 위한 경험을한 인공적 워크플로우 방향으로의 발전을 위한 중요한 단계가 될 것입니다.
함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.