arXiv · cs.AI· Sazan Mahbub, Caleb N. Ellington, Zhiyuan Li, Yixin Yang, Souvik Kundu, Ben Lengerich, Eric P. Xing·· 1 天前
RAIL：面向医疗任务特定零样本模型的检索增强可解释学习框架
Retrieval-Augmented Interpretable Learning: Towards Task-Specific Zero-Shot Models in Healthcare
arXiv:2607.17508v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Sazan Mahbub, Caleb N. Ellington, Zhiyuan Li, Yixin Yang, Souvik Kundu, Ben Lengerich, Eric P. Xing
研究任务与主要进展
RAIL提出一种概率元学习框架，从自然语言任务描述和既有任务预测器记忆中检索相关任务，并通过系数空间迁移结构，零样本或少样本生成具有特征级解释的临床操作预测模型。该框架同时估计检索、模型系数和预测的不确定性，可标记需额外临床复核的预测或不稳定解释；在长尾临床操作预测任务上，RAIL改善低数据模型生成，并受益于临床信息驱动的任务表示。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org