arXiv cs.AI· Gaurav Bhatt, Marinka Zitnik·· 13 小时前AI 评分31
GUIDER：用潜在决策流奖励提升临床指南推理
Latent Decision Flow Rewards for Clinical Guideline Reasoning
AI 导读
GUIDER 联合优化决策流控制器与推理策略，通过在多条控制器生成的决策流上计算过程奖励并依据答案正确性门控，解决路径—答案鸿沟与路径多重性问题。在 MedGUIDE 上，Qwen3-14B 版 GUIDER 取得 82.5 加权准确率和 73.5 指南依从度，分别比最强临床强化学习基线高 3.3 和 3.1 分。
正文 · AI 翻译
摘要：临床实践指南将循证建议编码为条件决策流，这使其成为训练推理模型时过程监督的自然来源。临床推理的两个特性使这种监督难以使用。与指南一致的决策流本身并不能确定给定患者的正确答案，我们称之为路径—答案差距；并且多个有效的决策流可以支持同一临床决策，我们称之为路径多重性。当前的训练方法解决了该问题的部分方面。答案奖励监督最终决策，而针对参考流计算的过程奖励为每个病例监督一个有效决策流。对标注流进行监督微调可以教会模型与指南一致的推理，但会将模型限制为每个病例一条轨迹，并可能降低答案准确率。我们提出 GUIDER，一种联合优化决策流控制器和推理策略的方法。控制器学习从指南衍生的监督中生成合理的决策流，策略学习为每个患者病例生成决策流和最终答案。GUIDER 在控制器生成的多个流上为策略计算过程奖励，从而考虑了路径多重性，并将该奖励以答案正确性为门控条件，从而解决了路径—答案差距。联合训练使过程监督能够随策略一起演进。在 MedGUIDE 上，使用 Qwen3-14B 的 GUIDER 达到 82.5 的加权准确率和 73.5 的指南依从性，分别比最强的临床强化学习基线高 3.3 和 3.1 分。在 Qwen3-14B 和 Gemma4-12B 骨干模型上，GUIDER 在域外基准 AMEGA-LLM、RealMedQA 和 CancerGUIDE 上也优于 CRPO、MRPO 和 FaithMed。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.38709 [cs.LG] |
| （或 arXiv:2610.38709v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.38709 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Gaurav Bhatt [查看电子邮件]
[v1]
2026年10月28日星期三 19:06:23 UTC（1,815 KB）
来源：arXiv cs.AI · arxiv.org