超越纯演示：基于演示锚定的阿尔茨海默病检测中的类比学习范式
计算与语言
2025-11-11 v1 人工智能
摘要
从叙事文本中检测阿尔茨海默病(AD)对大语言模型(LLM)构成挑战：预训练几乎不覆盖这一超分布任务，所有 transcript 演示描述相同的场景，导致上下文高度一致。这些因素削弱了模型内置的任务知识(\textbf{task cognition})以及捕捉细微且判别性线索的能力(\textbf{contextual perception})。由于认知在预训练后即固定，提升AD检测中类比学习(ICL)的能力取决于通过更好的演示集丰富感知。我们展示，标准ICL迅速饱和，演示缺乏多样性(上下文宽度)且未能传递细粒度信号(上下文深度)，而最近的任务向量(TV)方法通过注入TV到LLM隐藏状态(HS)中改进广泛任务适应，但对于AD检测不合适，由于注入粒度、强度和位置不匹配。为解决这些瓶颈，我们引入\textbf{DA4ICL}，一个基于演示的锚定框架，通过\emph{\textbf{Diverse and Contrastive Retrieval}}(DCR)在每个Transformer层扩展上下文宽度，并通过\emph{\textbf{Projected Vector Anchoring}}(PVA)深化每个演示的信号。在三个AD基准测试中，DA4ICL相对于ICL和TV基线实现了大幅稳定提升，描绘了细粒度、超分布和低资源LLM适应的新范式。
引用
@article{arxiv.2511.06826,
title = {Beyond Plain Demos: A Demo-centric Anchoring Paradigm for In-Context Learning in Alzheimer's Disease Detection},
author = {Puzhen Su and Haoran Yin and Yongzhu Miao and Jintao Tang and Shasha Li and Ting Wang},
journal= {arXiv preprint arXiv:2511.06826},
year = {2025}
}
备注
Accepted to the 40th Annual AAAI Conference on Artificial Intelligence (2026) - Main Technical Track (Oral)