智能AI
morning
FedPref：用于结构化放射学报告提取的联合偏好学习
摘要
arXiv:2608.16971v1 Announce Type: new Abstract: Radiology reports describe findings and locations in free text, but downstream search and analysis require these relations in a fixed schema. Learning t...
and
data
FedPref
with
the
model
points
training
reports
that
2026-08-19
1 阅读
约1分钟阅读
Flint Xiaofeng Fan, Cheston Tan, Yew-Soon Ong, Roger Wattenhofer
字号:
arXiv:2608.16971v1 公告类型：新 摘要：放射学报告以自由文本描述发现和位置，但下游搜索和分析需要固定模式中的这些关系。学习这种提取需要在各个机构之间分布不均匀的标签：较小的医院本地证据较少，并且汇集数据可能不可行。我们引入 FedPref：冻结的公共语言模型提出替代的 JSON 提取，本地注释对它们进行排名，站点协作训练紧凑的 Qwen3-8B 适配器，同时仅共享模型更新。当重复的单模型样本崩溃时，异构教师库提供跨模型对比。根据六家数据量和疾病患病率不等的模拟医院的开发数据，与单独训练每个站点相比，FedPref 将客户均值 F1 提高了 2.49 个点，将最差站点 F1 提高了 9.10 个点，其中持有最少数据的站点获得的收益最大。集中偏好对联合的集中训练比客户均值 F1 高 2.66 个点。在锁定的、包含 400 份报告的手动验证黄金测试集上，FedPref 达到 68.68 F1，合并训练达到 71.67，保持相同的顺序。因此，FedPref 可以让拥有不平等、非汇总数据的机构从协作中受益，而无需共享报告或注释。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱