arXiv cs.AI· Animesh Agarwal, Meysam Ghaffari, Nina Fatehi, Anushka Swarup, Carlos Morato·· 12 小时前AI 评分26
从分数到安全集合：用药推荐中的精确安全约束解码
From Scores to Safe Sets: Exact Safety--Constrained Decoding for Medication Recommendation
AI 导读
研究对比了局部修复与精确全局解码在用药推荐中的表现：使用 FLAME 冻结分类器在 MIMIC-III 上的固定药物分数，全局解码器通过混合整数线性规划联合选出得分最高的可行药物集合。
正文 · AI 翻译
摘要：近期的生成式用药推荐系统最终会生成药物集合，但药物-药物相互作用（DDI）约束取决于整个集合。一种自然的后处理方法是先预测药物，然后通过每次移除一种药物来局部修复存在相互作用的药物对。我们探究这种局部修复步骤本身是否会引入可避免的误差。使用 FLAME 冻结分类器在 MIMIC-III 上得到的固定药物评分，我们在保持评分、输出规模和 DDI 约束不变的情况下，将逐步增强的局部修复策略与精确全局解码器进行比较。全局解码器使用混合整数线性规划联合选择得分最高的可行药物集合。在验证集和测试集划分上，全局解码始终比贪心修复、度数感知修复以及通过穷举 1-交换局部搜索增强的度数感知修复获得更高的 Jaccard 相似度。在宽松的 DDI 约束下其优势较小，而随着约束收紧优势变大；在测试集划分上，在严格 DDI 工作点处，它比最强的局部基线高出 +0.0064 Jaccard。这一发现在匹配实际 DDI 暴露下的精细准确率-DDI 扫描中以及三种评分表示下同样成立。在严格设置下，全局解码保留了更多真阳性药物，同时移除了更多假阳性。这些结果表明，用药推荐不仅是表示学习问题：即使使用冻结的临床模型，如何将其评分转换为受约束的药物集合也会实质性影响最终预测。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.29228 [cs.AI] |
| （或 arXiv:2610.29228v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29228 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Animesh Agarwal [查看电子邮件]
[v1]
2026年10月21日星期三 05:38:08 UTC（2,191 KB）
来源：arXiv cs.AI · arxiv.org