[論文レビュー] MedCoG: Maximizing LLM Inference Density in Medical Reasoning via Meta-Cognitive Regulation

Yu Zhao, Hao Guan+3 more|arXiv (Cornell University)|Feb 8, 2026

Artificial Intelligence in Healthcare and Education被引用数 0

ひとこと要約

MedCoGは、メタ認知レギュレーターを導入し、医療質問に対して推論戦略（SCoT、メモリ、KG）を適応的に選択することで、推論密度と効率を高める。推論密度と推論増分効率（Inference Incremental Efficiency, IIE）を新たな指標として定義して、利得を定量化する。

ABSTRACT

Large Language Models (LLMs) have shown strong potential in complex medical reasoning yet face diminishing gains under inference scaling laws. While existing studies augment LLMs with various knowledge types, it remains unclear how effectively the additional costs translate into accuracy. In this paper, we explore how meta-cognition of LLMs, i.e., their self-awareness of their own knowledge states, can regulate the reasoning process. Specifically, we propose MedCoG, a Medical Meta-Cognition Agent with Knowledge Graph, where the meta-cognitive assessments of task complexity, familiarity, and knowledge density dynamically regulate utilization of procedural, episodic, and factual knowledge. The LLM-centric on-demand reasoning aims to mitigate scaling laws by (1) reducing costs via avoiding indiscriminate scaling, (2) improving accuracy via filtering out distractive knowledge. To validate this, we empirically characterize the scaling curve and introduce inference density to quantify inference efficiency, defined as the ratio of theoretically effective cost to actual cost. Experiments demonstrate the effectiveness and efficiency of MedCoG on five hard sets of medical benchmarks, yielding 5.5x inference density. Furthermore, the Oracle study highlights the significant potential of meta-cognitive regulation.

研究の動機と目的

• 医療分野の推論において、LLMの indiscriminate なスケーリングが収益減少を招く理由を動機づける。
• 自己評価を行い複雑さ、馴染み度、知識密度を用いて推論戦略を選択するメタ認知レギュレーターを提案する。
• 手続き的知識、エピソード的知識、事実知識を切り離して、正確性と効率を高める。
• ノイズを減らし事実的根拠を改善するために、対象検証を用いた知識グラフのグラウンディングを導入する。
• 推論効率を推定する指標として推論密度と推論増分効率（IIE）を定義する。

提案手法

• MedCoG：知識グラフを構成するメタ認知レギュレーターとエグゼクタからなるMedical Meta-Cognition Agentを提案。
• レギュレーターは三つのメタ認知次元（Complexity、Familiarity、Knowledge Density）を監視し、閾値ベースの方策π(s)を用いて {Zero-Shot, SCoT, SCoT+Mem, SCoT+KG, SCoT+KG+Mem} に対応づけて戦略を計画する。
• 事実知識にはKG検証ターゲットとノイズを避ける制約付きKG探索空間を用いる。
• 手続き知識はSCoTで、エピソード的知識はメモリケース銀行から取得、事実知識はエンティティグラウンドとパス取得を伴う医療KG（PrimeKG）でグラウンディングする。
• 評価では推論密度ρと推論増分効率（IIE）を導入して効率と費用対効果を測定する。
• 五つの難易度の高い医療ベンチマークでの実験的検証により、MedCoG-Metaはより高い推論密度とIIEを達成する。

実験結果

リサーチクエスチョン

• RQ1 メタ認知レギュレーションは医療推論における正確性と推論コストのトレードオフを改善できるか。
• RQ2 複雑さ、馴染み度、知識密度が戦略選択と性能にどのように影響するか。
• RQ3 手続き的・エピソード的・事実知識を対象的に統合することは、 indiscriminate な増強よりも優れているか。
• RQ4 メタ認知レギュレーションの上限値（Oracle研究）とオンデマンドレギュレーションによる実用的な利得はどの程度か。
• RQ5 新指標（推論密度、IIE）は推論効率の向上をどの程度反映するか。

主な発見

• MedCoG-Metaは Paretoフロンティアのベースラインに対して推論密度を5.5倍達成。
• MedCoG内のOracle風戦略選択はほぼ最適性能に近づき、上限ポテンシャルが高いことを示唆。
• Memory + KG のシナジーは難問での性能を向上させる一方、単独のKGやMemoryのみでは性能が低下する可能性。
• MedCoG-Metaは難しい医療ベンチマークにおいて、ベースラインの中で最も高い推論増分効率を示す。
• メタ認知分布はバックボーンモデルとデータセットにより変動し、ドメイン適応的レギュレーションの利点を示す。