arXiv cs.CL· Huaiyuan Ying, Feiqing Huang, Ryumei Nakada, Katherine P. Liao, Tianxi Cai·· 10 小时前AI 评分24
HALO：面向纵向临床记录的分层证据选择与强化学习预算标签优化框架
HALO: Hierarchical Evidence Selection and Reinforcement Learning for Allocating Budgeted Label Optimization from Longitudinal Clinical Records
AI 导读
HALO 是一个分层证据选择与强化学习流水线，在有限标注预算下同时学习从纵向临床记录中读取哪些证据、以及分配 free、silver、gold 三档保真度标签源。
正文 · AI 翻译
摘要：在有限的标注预算下，从大量纵向临床记录中学习——这些记录涵盖反复就诊、病情演变和异构文档——需要解决两个相互耦合的问题：决定保留哪些证据，以及决定哪些患者应获得更高保真度的标签。此前关于主动学习和多保真度标签获取的工作主要解决第二个问题，而将呈现给获取策略的证据视为固定不变。我们提出 HALO，一个分层证据选择与强化学习流水线，用于从纵向临床记录中分配预算化标签优化。该框架在预算约束下联合学习读什么以及获取哪种标签来源。HALO 首先从纵向记录中选择信息量大的证据，然后使用预算感知策略来分配免费、银级和金级保真度标签来源。对于冻结策略，我们的理论刻画了非对称的已获取标签通道，并为常见的下游逻辑模型给出了预算约束下的有限样本金标准风险界。在一项心力衰竭案例研究中，HALO 在八个目标预算中的六个上取得了最高的 MedAlign 已获取标签 F1。在 HALO 获取的标签上训练的下游分类器在预算 15-60 时取得了最高的外部 MGB F1，并在预算 75-120 时与最佳对比方法的差距保持在 0.01 以内。
| 主题： | 计算与语言（cs.CL）；机器学习（cs.LG）；机器学习（stat.ML） |
| 引用为： | arXiv:2611.00986 [cs.CL] |
| （或 arXiv:2611.00986v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.00986 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Huaiyuan Ying [查看电子邮件]
[v1]
2026年10月31日星期六 14:24:20 UTC（5,453 KB）
来源：arXiv cs.CL · arxiv.org