PulseAugur
中
实时 14:32:36
English(EN) Unlocking In-Context Learning in Audio-Language Models from Decentralized Medical Audio

新框架增强临床音频诊断的上下文学习能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为联邦自语境化（FSC）的新框架，旨在改善临床环境中音频-语言模型的上下文学习能力，尤其是在资源匮乏的环境中。该多模态模型框架旨在通过少量示例诊断疾病，而无需大型标注数据集。FSC利用无监督聚类创建伪标签集，并通过支持-查询对实现上下文推理，在2次示例评估中对呼吸系统和心脏疾病的准确率达到71.6%。 AI

影响 这项研究通过在数据有限的情况下提高模型的适应性，有望在资源匮乏的医疗环境中实现更有效的 AI 驱动诊断。

排序理由 该集群包含一篇详细介绍新模型框架及其在特定基准上性能的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架增强临床音频诊断的上下文学习能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Aaqib Saeed ·

    Unlocking In-Context Learning in Audio-Language Models from Decentralized Medical Audio

    Clinical audio diagnosis in low-resource settings requires models that identify conditions from minimal examples without large annotated corpora. We propose Federated Self-Contextualization (FSC), a multimodal language model framework for in-context clinical audio diagnosis acros…

相关实体

相关话题