语言大模型 / LLM

Do Hallucination Neurons Generalize? Evidence from Cross-Domain Transfer in LLMs

幻觉神经元能否泛化？来自LLMs跨领域迁移的证据

Snehit Vaddi, Pujith Vaddi

机构 * Independent Researcher（独立研究员） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 研究探讨了LLMs中幻觉神经元在不同知识领域间的泛化能力，发现其在跨领域迁移时性能显著下降，表明幻觉机制具有领域特异性。

Comments 18 pages, 5 models, 6 domains, ACL format. Includes causal intervention analysis

HEALing Entropy Collapse: Enhancing Exploration in Few-Shot RLVR via Hybrid-Domain Entropy Dynamics Alignment

HEALing Entropy Collapse: 通过混合领域熵动力学对齐增强少样本RLVR的探索

Zhanyu Liu, Qingguo Hu, Ante Wang, Chenqing Liu, Zhishang Xiang, Hui Li, Delai Qiu, Jinsong Su

机构 * School of Informatics, Xiamen University（厦门大学信息学院） ； Tsinghua University（清华大学） ； Xiamen Unisound Intelligence Technology Co., Ltd（厦门Unisound智能科技有限公司） ； Key Laboratory of Digital Protection and Intelligent Processing of Intangible Cultural Heritage of Fujian and Taiwan (Xiamen University), Ministry of Culture and Tourism, China（福建省和台湾非物质文化遗产数字化保护与智能处理重点实验室（厦门大学），中华人民共和国文化和旅游部，中国） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出HEAL框架，通过混合领域熵动力学对齐缓解少样本RLVR中的熵崩溃问题，提升探索多样性与推理性能。

Comments Accepted by ACL 2026 Main Conference

CBR-to-SQL: Rethinking Retrieval-based Text-to-SQL using Case-based Reasoning in the Healthcare Domain

CBR-to-SQL：重新思考基于检索的文本到SQL方法：在医疗领域使用基于案例的推理

Hung Nguyen, Hans Moen, Pekka Marttinen

机构 * Department of Computer Science Aalto University（奥卢大学计算机科学系） ； Department of Clinical Medicine Aalborg University（奥尔堡大学临床医学系） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出CBR-to-SQL框架，通过分解检索增强生成的两阶段检索，提升医疗领域文本到SQL的准确性和效率。

BRIDGE the Gap: Mitigating Bias Amplification in Automated Scoring of English Language Learners via Inter-group Data Augmentation

BRIDGE the Gap: 通过跨组数据增强缓解自动评分中英语学习者的偏见放大

Yun Wang, Xuansheng Wu, Jingyuan Huang, Lei Liu, Xiaoming Zhai, Ninghao Liu

机构 * School of Computing, University of Georgia, Athens, GA, USA（佐治亚大学计算机学院，美国亚特兰大，GA） ； Educational Testing Service, Princeton, NJ, USA（教育测试服务，美国新泽西州普林斯顿，NJ） ； AI4STEM Education Center, University of Georgia, Athens, GA, USA（AI4STEM教育中心，佐治亚大学，美国亚特兰大，GA） ； The Hong Kong Polytechnic University, Hong Kong, China（香港理工大学，中国香港） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出BRIDGE框架，通过合成高分英语学习者样本减少自动评分中的偏见放大，实验表明其在保持评分性能的同时有效提升公平性。

Comments 15 pages, 1 figure. Accepted as a full paper at AIED 2026

From Attribution to Abstention: Training-Free Attention-Based Auditing for Clinical Summarization

从归因到回避：基于注意力的无训练审计用于临床摘要

Qianqi Yan, Huy Nguyen, Sumana Srivatsa, Hari Bandi, Xin Eric Wang, Krishnaram Kenthapadi

机构 * University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Oracle Health AI 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出ClinTrace框架，通过解码器注意力权重提取临床有用信号，实现无训练的注意力基于审计，提升临床摘要的透明性和可靠性，显著优于基线方法。

SCRIPT: Implementing an Intelligent Tutoring System for Programming in a German University Context

SCRIPT: 实现一个面向德国大学的智能编程辅导系统

Alina Deriyeva, Jesper Dannath, Benjamin Paassen

机构 * Faculty of Technology, Bielefeld University（比勒菲尔德大学技术学院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出一个适应性强的Python编程智能辅导系统，结合大语言模型提供提示机制，并符合德国数据保护法规和AI伦理框架。

Comments In: Cristea, A.I., Walker, E., Lu, Y., Santos, O.C., Isotani, S. (eds) Artificial Intelligence in Education. Posters and Late Breaking Results, Workshops and Tutorials, Industry and Innovation Tracks, Practitioners, Doctoral Consortium, Blue Sky, and WideAIED. AIED 2025. Communications in Computer and Information Science, vol 2590 . Springer, Cham

IndicDB -- Benchmarking Multilingual Text-to-SQL Capabilities in Indian Languages

IndicDB -- 评估印度语言多语言文本到SQL能力的基准测试

Aviral Dawar, Roshan Karanth, Vikram Goyal, Dhruv Kumar

机构 * National Data and Analytics Platform（国家数据与分析平台） ； India Data Portal（印度数据门户） ； NDAP（国家数据与分析平台） ； ICRISAT（国际作物研究所） ； IHDS（印度家庭与育儿调查） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 IndicDB是一个多语言文本到SQL基准测试，用于评估跨语言语义解析能力，包含20个数据库和237张表，通过迭代三代理框架生成15617个任务，揭示了印度语言在SQL解析中的性能差距。

Comments Under Review

GoodPoint: Learning Constructive Scientific Paper Feedback from Author Responses

GoodPoint: 从作者回复中学习建设性科学论文反馈

Jimin Mun, Chani Jung, Xuhui Zhou, Hyunwoo Kim, Maarten Sap

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Independent Researcher（独立研究者） ； NVIDIA 纠错

专题命中 领域大模型 ：LLM(abstract_cn)；preference optimization(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出GoodPoint方法，通过作者回复中的成功信号进行微调和偏好优化，提升反馈的有效性和实用性，实验显示其在反馈匹配和作者感知价值上优于现有模型。

Comments 22 pages, 6 figures

RECIPER: A Dual-View Retrieval Pipeline for Procedure-Oriented Materials Question Answering

RECIPER：一种面向材料问题回答的双视角检索流程

Zhuoyu Wu, Wenhui Ou, Pei-Sze Tan, Wenqi Fang, Sailaja Rajanala, Raphaël C. -W. Phan

机构 * Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出RECIPER双视角检索流程，通过结合段落上下文和紧凑的LLM提取的工艺摘要，提升材料科学论文中工艺细节的检索效果，实验表明在多个检索模型上均取得显著提升。

Comments 5 pages, 1 figure

Automatic Generation of Executable BPMN Models from Medical Guidelines

从医疗指南自动生成可执行的BPMN模型

Praveen Kumar Menaka Sekar, Ion Matei, Maksym Zhenirovskyy, Hon Yung Wong, Sayuri Kohmura, Shinji Hotta, Akihiro Inomata

机构 * University of Maryland（马里兰大学） ； Fujitsu Research of America（富士通美国研究院） ； Fujitsu Limited（富士通株式会社） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种端到端的流程，利用大语言模型将医疗政策文档转换为可执行的数据感知BPMN模型，通过模拟评估政策效果。主要贡献包括语法自动纠正、可执行增强、KPI仪器化和基于熵的不确定性检测。

Severity-Aware Weighted Loss for Arabic Medical Text Generation

针对严重程度的加权损失用于阿拉伯语医疗文本生成

Ahmed Alansary, Molham Mohamed, Ali Hamdi

机构 * October University for Modern Sciences \& Arts, Egypt 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一种考虑临床严重程度的加权损失方法，用于优化阿拉伯语医疗文本生成，通过动态调整token级损失以提升关键交互性能，实验表明在不同模型上均取得显著提升。

Comments 10 pages, 1 figure, 2 tables, ICTIS2026

MedXIAOHE: A Comprehensive Recipe for Building Medical MLLMs

MedXIAOHE：构建医疗多模态大语言模型的全面指南

Baorong Shi, Bo Cui, Boyuan Jiang, Deli Yu, Fang Qian, Haihua Yang, Huichao Wang, Jiale Chen, Jianfei Pan, Jieqiong Cao, Jinghao Lin, Kai Wu, Lin Yang, Shengsheng Yao, Tao Chen, Xiaojun Xiao, Xiaozhong Ji, Xu Wang, Yijun He, Zhixiong Yang

机构 * ByteDance XiaoHe Medical AI（字节跳动小荷医疗AI） 纠错

专题命中 领域大模型 ：foundation model(abstract)；pretraining(abstract)；分类 cs.CL、cs.AI

AI总结 MedXIAOHE通过实体感知持续预训练框架和强化学习提升医疗理解与推理，实现医疗多模态大模型的突破性进展。

Comments XIAOHE Medical AI team. See paper for full author list. Currently, the model is exclusively available on XIAOHE AI Doctor, accessible via both the App Store and the Douyin Mini Program. Updated to improve the layout

XAttnRes: Cross-Stage Attention Residuals for Medical Image Segmentation

XAttnRes：用于医学图像分割的跨阶段注意力残差

Xinyu Liu, Qing Xu, Zhen Chen

机构 * Imperial College London（伦敦帝国学院） ； University of Nottingham（诺丁汉大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出XAttnRes机制，通过轻量级伪查询注意力实现跨阶段特征聚合，提升医学图像分割性能。

Domain-Adapted Retrieval for In-Context Annotation of Pedagogical Dialogue Acts

领域适应的检索用于上下文注释教学对话行为

Jinsook Lee, Kirk Vanacore, Zhuqian Zhou, Bakhtawar Ahtisham, Rene F. Kizilcec

机构 * Cornell University（康奈尔大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；prompting(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一种领域适应的RAG流水线，用于教学对话行为标注，通过轻量级嵌入模型在对话层面索引以提高标注精度，实验显示其在两个真实教学对话数据集上显著优于无检索基线。

Comments 20 pages, 20 tables, 4 figures

Architectures of Error: A Philosophical Inquiry into AI and Human Code Generation

错误的架构：对人工智能与人类代码生成的哲学探究

Camilo Chacón Sartori

机构 * Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC）） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文探讨人类与机器代码生成的本质差异，通过分析错误的根源，揭示认知与随机性导致的因果区别，为AI与人类协作软件开发提供哲学框架。

Comments preprint

Development and multi-center evaluation of domain-adapted speech recognition for human-AI teaming in real-world gastrointestinal endoscopy

开发与多中心评估用于真实世界胃肠道内窥镜中人类-人工智能协作的领域适应语音识别

Ruijie Yang, Yan Zhu, Peiyao Fu, Te Luo, Zhihua Wang, Xian Yang, Quanlin Li, Pinghong Zhou, Shuo Wang

机构 * Zhejiang University（浙江大学） ； Shanghai Institute for Advanced Study, Zhejiang University（浙江大学上海高等研究院） ； Shanghai Key Laboratory of MICCAI（上海市MICCAI重点实验室） ； Digital Medical Research Center, School of Basic Medical Sciences, Fudan University（复旦大学基础医学院数字医学研究中心） ； Endoscopy Center and Endoscopy Research Institute, Zhongshan Hospital, Fudan University（复旦大学附属中山医院内镜中心及内镜研究所） ； Shanghai Collaborative Innovation Center of Endoscopy（上海市内镜协同创新中心） ； Alliance Manchester Business School, The University of Manchester（曼彻斯特大学联盟曼彻斯特商学院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出EndoASR，通过合成内窥镜报告开发两阶段适应策略，提升内窥镜流程中的语音识别准确率和临床实用性，经多中心验证其在异质真实世界条件下的鲁棒性。

Comments Under review at npj Digital Medicine

Modeling Multi-Objective Tradeoffs with Monotonic Utility Functions

用单调效用函数建模多目标权衡

Edward Chen, Natalie Dullerud, Thomas Niedermayr, Elizabeth Kidd, Ransalu Senanayake, Pang Wei Koh, Sanmi Koyejo, Carlos Guestrin

机构 * Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Arizona State University（亚利桑那州立大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出一种两步方法，通过单调效用函数生成符合用户偏好的紧凑帕累托最优解集，验证了其在多个领域中的有效性。

Comments The 29th International Conference on Artificial Intelligence and Statistics (AISTATS 2026)

Temporal Dependencies in In-Context Learning: The Role of Induction Heads

上下文学习中的时间依赖性：归纳头的作用

Anooshka Bajaj, Deven Mahesh Mistry, Sahaj Singh Maini, Yash Aggarwal, Billy Dickson, Zoran Tiganj

机构 * Department of Computer Science, Indiana University Bloomington（印第安纳大学布卢明顿分校计算机科学系） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 研究揭示了归纳头在上下文学习中对时间依赖性处理的关键作用，通过实验表明归纳头影响信息检索的顺序性。

ChatGPT for automated grading of short answer questions in mechanical ventilation

ChatGPT用于机械通气在线课程中短答案题的自动评分

Tejas Jade, Alex Yartsev

机构 * Shri Atal Bihari Vajpayee Medical College and Research Institute（阿塔尔·比哈里·瓦杰帕伊医学院与研究所） ； Bowring and Lady Curzon Hospitals（鲍林与莱迪·柯曾医院） ； Rajiv Gandhi University of Health Sciences（拉吉夫·甘地健康科学大学） ； Intensive Care Service, Westmead Hospital（韦斯特米德医院重症监护服务部） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG

AI总结 研究评估ChatGPT在机械通气在线课程中短答案题自动评分的准确性，发现其评分低于人类评分员，且一致性差，尤其在评价和分析类题目上表现最差，警示LLM在研究生课程评分中的潜在风险。

Journal ref Focus on Health Professional Education: A Multi-Professional Journal, 27(1), 90-104 (2026)

Xuanwu: Evolving General Multimodal Models into an Industrial-Grade Foundation for Content Ecosystems

玄武：将通用多模态模型演进为内容生态系统工业级基础模型

Zhiqian Zhang, Xu Zhao, Xiaoqing Xu, Guangdong Liang, Weijia Wang, Xiaolei Lv, Bo Li, Jun Gao

机构 * Computational Intelligence Dept, Hello Group Inc（Hello Group Inc. 计算智能部） 纠错

专题命中 领域大模型 ：foundation model(abstract)；post-training(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出Xuanwu VL-2B，通过三阶段训练流程平衡业务专精与通用能力，实现7项多模态指标平均67.90分，7项业务审核任务召回率94.38%，在对抗性OCR场景中超越Gemini-2.5-Pro。

Comments 41 pages, 10 figures

Towards a Medical AI Scientist

迈向医疗AI科学家

Hongtao Wu, Boyun Zheng, Dingjie Song, Yu Jiang, Jianfeng Gao, Lei Xing, Lichao Sun, Yixuan Yuan

机构 * The Chinese University of Hong Kong（香港中文大学） ； Lehigh University（里海大学） ； Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出医疗AI科学家框架，通过临床工程师协同推理机制生成可落地的医学研究想法，并基于结构化医学规范和伦理政策撰写论文，验证其在171案例、19临床任务和6种数据模态中的高质量表现。

FigEx2: Visual-Conditioned Panel Detection and Captioning for Scientific Compound Figures

FigEx2: 科学复合图像的视觉条件化面板检测与标注

Jifeng Song, Arun Das, Pan Wang, Hui Ji, Kun Zhao, Yufei Huang

机构 * University of Pittsburgh（匹兹堡大学） ； UPMC Hillman Cancer Center（UPMC希尔曼癌症中心） 纠错

专题命中 领域大模型 ：pretraining(abstract)；SFT(abstract)；分类 cs.CL、cs.AI

AI总结 针对科学复合图像中缺乏标注的问题，FigEx2通过视觉条件化框架直接从图像生成面板标注，提升下游预训练和检索性能，同时引入噪声感知门控融合模块和分阶段SFT+RL策略。

OEMA: Ontology-Enhanced Multi-Agent Collaboration Framework for Zero-Shot Clinical Named Entity Recognition

OEMA：基于本体的多智能体协作框架用于零样本临床命名实体识别

Xinli Tao, Xin Dong, Xuezhong Zhou

机构 * Department of Artificial Intelligence, Beijing Key Lab of Traffic Data Analysis ； Mining , School of Computer Science \& Technology, Beijing Jiaotong University , Beijing , 100044 , China 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出OEMA框架，通过多智能体协作提升零样本临床NER性能，结合自标注器、判别器和预测器，实现接近监督学习的准确率。

Comments 12 pages, 4 figures, 4 tables

Journal ref JAMIA Open, 2026, ooag049

TopoPilot: Reliable Conversational Workflow Automation for Topological Data Analysis and Visualization

TopoPilot：拓扑数据分析和可视化可靠对话工作流自动化

Nathaniel Gorski, Shusen Liu, Bei Wang

机构 * University of Utah（犹他大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 TopoPilot通过双代理架构和系统性防护机制，实现复杂科学可视化工作流的可靠自动化，其在1000次多轮对话中成功率达99%。

Toward domain-specific machine translation and quality estimation systems

迈向领域特定机器翻译和质量估计系统

Javad Pourmostafa Roshan Sharami

机构 * Tilburg University（蒂尔堡大学） ； Dublin City University（都柏林城市大学） ； Università di Napoli L’Orientale（那不勒斯东方大学） ； Ghent University（根特大学） ； Leiden University（莱顿大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文研究如何通过数据聚焦贡献适应机器翻译和质量估计系统到特定领域，提出数据选择、质量估计训练流水线、子词分词与词汇作用及基于质量估计的上下文学习方法，提升领域适应性能。

Comments PhD Dissertation

AutoSAM: an Agentic Framework for Automating Input File Generation for the SAM Code with Multi-Modal Retrieval-Augmented Generation

AutoSAM：一种用于自动化生成SAM代码输入文件的代理框架，结合多模态检索增强生成

Zaid Abulawi, Zavier Ndum Ndum, Eric Cervi, Rui Hu, Yang Liu

机构 * Department of Nuclear Engineering, Texas A\&M University. ； Engineering Division, Argonne National Laboratory 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 AutoSAM通过多模态检索增强生成技术，自动化生成SAM代码输入文件，解决异构工程文档中提取设计数据并转换为求解器语法的难题，实现100%结构化输入利用和88%PDF文本提取。

Comments 34 Pages, 14 Figures

Berta: an open-source, modular tool for AI-enabled clinical documentation

Berta：一个用于AI赋能临床文档的开源模块化工具

Samridhi Vaid, Mike Weldon, Jesse Dunn, Sacha Davis, Kevin Lonergan, Henry Li, Jeffrey Franc, Mohamed Abdalla, Daniel C. Baumgart, Jake Hayward, J Ross Mitchell

机构 * Department of Medicine, University of Alberta, Edmonton, Alberta, Canada（阿尔伯塔大学医学系，埃德蒙顿，阿尔伯塔，加拿大） ； Department of Emergency Medicine, University of Alberta, Edmonton, Alberta, Canada（阿尔伯塔大学急诊医学系，埃德蒙顿，阿尔伯塔，加拿大） ； Alberta Health Services, Edmonton, Alberta, Canada（阿尔伯塔省健康服务，埃德蒙顿，阿尔伯塔，加拿大） ； Alberta Machine Intelligence Institute, Edmonton, Alberta, Canada（阿尔伯塔人工智能研究所，埃德蒙顿，阿尔伯塔，加拿大） ； Department of Computer Science, University of Alberta, Edmonton, Alberta, Canada（阿尔伯塔大学计算机科学系，埃德蒙顿，阿尔伯塔，加拿大） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 Berta是首个与现有医疗系统基础设施集成的省级规模AI记录工具，提供低成本、可重复的开源解决方案，支持数据主权和AI文档技术评估。

ClinicalTrialsHub: Bridging Registries and Literature for Comprehensive Clinical Trial Access

ClinicalTrialsHub：连接注册和文献以实现全面的临床试验访问

Jiwoo Park, Ruoqi Liu, Avani Jagdale, Andrew Srisuwananukorn, Jing Zhao, Lang Li, Ping Zhang, Sachin Kumar

机构 * The Ohio State University（俄亥俄州立大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 ClinicalTrialsHub通过整合ClinicalTrials.gov数据并自动提取PubMed文献信息，提升结构化临床试验数据访问量83.8%，为患者、医生、研究人员和政策制定者提供证据支持的医学信息。

Argumentation for Explainable and Globally Contestable Decision Support with LLMs

基于大语言模型的可解释且全球可争议的决策支持论证

Adam Dejl, Matthew Williams, Francesca Toni

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出ArgEval框架，通过结构化评估通用决策选项，实现可解释且可全球争议的决策支持，应用于胶质瘤治疗推荐，产生符合临床实践的解释性指导。

Hierarchical Dual-Strategy Unlearning for Biomedical and Healthcare Intelligence Using Imperfect and Privacy-Sensitive Medical Data

层次化双策略去学习用于生物医学与医疗智能的不完美和隐私敏感医疗数据

Yi Zhang, Chao Zhang, Zijian Li, Tianxiang Xu, Kunyu Zhang, Zhan Gao, Meinuo Li, Xiaohan Zhang, Qichao Qi, Bing Chen

机构 * Department of Neurosurgery, Qilu Hospital of Shandong University and Institute of Brain and Brain-Inspired Science（齐鲁医院山东大学神经外科和脑科学与脑启发科学研究院） ； Department of Neurosurgery, The Affiliated Hospital of Qingdao University（青岛大学附属医院神经外科） ； Department of Neurosurgery, Peking Union Medical College Hospital（北京地坛医院神经外科） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） ； College of Artificial Intelligence, Dalian Maritime University（大连海事大学人工智能学院） ； University of Colorado Boulder（科罗拉多大学波尔德分校） ； Zhengzhou University（郑州大学） ； The University of Hong Kong（香港大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出层次化双策略去学习框架，用于在医疗数据中精确移除专业性知识并保留基本医疗能力，同时保障隐私并满足合规要求。