扰动式数据选择用于医疗问答

Yuexin Wu、Dayou Yu 和 Vasile Rus 提交预印本论文，提出 RSP 与 RSP-Drop 两种基于扰动的数据选择方法，用于从医疗问答数据中筛选训练子集。两种方法都利用对模型最终块表示施加高斯扰动后产生的两个信号：预测变化频率和非翻转边际收缩；选择时只使用问题和答案选项。 在 128 样本预算下，MedGemma-4B 在五个医疗 QA 数据集上的平均 Macro-F1 分别为 47.55 和 48.28，高于熵池匹配随机选择的 45.11。消融实验显示，熵预过滤并非普遍有益。作者称，评估仅基于单一骨干模型，且所用基准存在已记录的训练家族重叠，未验证临床有效性。

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。