PulseAugur
中
实时 10:58:53
English(EN) Toward Federated Large Language Models in Medicine: A Parameter-Efficient Framework for Privacy-Preserving, Multi-Institutional Adaptation

联邦LLM框架实现隐私保护的医学数据自适应

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了Fed-MedLoRA和Fed-MedLoRA+，这是一种新颖的参数高效联邦学习框架，旨在实现大型语言模型（LLM）在多个医疗机构之间的协作自适应。该方法通过仅传输低秩适配器来解决数据隐私和治理的挑战，与完整的模型权重相比，大大降低了通信开销。Fed-MedLoRA+通过结合自适应聚合来管理数据异质性，并采用一种应用高斯扰动于适配器更新的隐私保护变体，进一步增强了这一能力。在五个患者队列的临床信息提取任务上的评估表明，与现有方法相比，性能持续提高且泛化能力更强，包括与耶鲁纽黑文医疗系统（Yale New Haven Health System）的成功案例研究。 AI

影响 在保护患者隐私的同时，实现了跨医疗机构的LLM协作开发，有望加速AI在临床环境中的应用。

排序理由 该集群包含一篇详细介绍医学领域联邦LLM自适应新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

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

联邦LLM框架实现隐私保护的医学数据自适应

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Anran Li, Yuanyuan Chen, Wenjun Long, Yu Yin, Yan Hu, Hyunjae Kim, Weipeng Zhou, Yujia Zhou, Hongyi Peng, Yang Ren, Xuguang Ai, Zhenyue Qin, Ming Hu, Xiaoxiao Li, Han Yu, Yih-Chung Tham, Lucila Ohno-Machado, Hua Xu, Qingyu Chen ·

    Toward Federated Large Language Models in Medicine: A Parameter-Efficient Framework for Privacy-Preserving, Multi-Institutional Adaptation

    arXiv:2601.22124v2 Announce Type: replace Abstract: Large language models (LLMs) are increasingly adapted for medical applications, but most are trained using data from a single institution because privacy and governance constraints prevent multi-institutional data sharing. As a …

相关实体

相关话题