PulseAugur
中
实时 12:09:10
English(EN) Zero-Shot Active Feature Acquisition via LLM-Elicitation

LLM用于医疗诊断中的零样本主动特征获取

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个新颖的零样本主动特征获取（AFA）框架，通过规范的诱导过程利用大型语言模型（LLMs）。该方法侧重于从LLMs中提取特定的统计信息，如一元偏差和成对协方差，然后用于指导分类或排序任务的特征选择。该框架在炎症性肠病（IBD）患者队列上进行了评估，在复杂病例方面表现优于现有方法。 AI

影响 这项研究通过在复杂患者病例中实现更有效的特征选择，有可能提高医疗保健的诊断准确性和效率。

排序理由 该集群包含两篇相同的arXiv预印本，详细介绍了一种新的研究方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Binyamin Perets, Natalie Mendelson, Shiran Vainberg, Yehuda Chowers, Shai Shen-Orr, Shie Mannor ·

    Zero-Shot Active Feature Acquisition via LLM-Elicitation

    arXiv:2606.18933v1 Announce Type: new Abstract: Active feature acquisition (AFA) sequentially selects which features to observe to reach a classification or ranking decision. Its central limitation is reliance on large amount of labeled data to fit probabilistic models guiding ac…

  2. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Shie Mannor ·

    通过LLM诱导实现零样本主动特征获取

    Active feature acquisition (AFA) sequentially selects which features to observe to reach a classification or ranking decision. Its central limitation is reliance on large amount of labeled data to fit probabilistic models guiding acquisition. Large language models (LLMs) supply u…

相关实体

相关话题