RAIL 概率元学习框架论文发布

Sazan Mahbub 等作者发布论文，提出检索增强可解释学习（RAIL）框架，可从自然语言任务描述和已学预测器记忆中合成系数空间结构，在原始诊断特征空间直接生成任务特定的可解释模型。作者称该框架支持零样本和少样本临床程序预测并提供特征级解释，其概率形式对检索、模型系数和预测给出不确定性，可将不确定预测或不稳定解释标记出来交由临床人工复核。 在长尾临床程序预测任务上，RAIL 改善了低数据条件下的模型生成，并输出检索、不确定性和系数级诊断信息。作者注明，同一工作此前有非存档的 workshop 版本，名为 RAG-IM，RAIL 是该工作的更名并完成版本，本论文取代早先版本，应以本论文为准。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。