CARE：基于证据不一致的隐私合规智能体推理
计算与语言
2026-04-02 v1
摘要
大语言模型(LLM)系统越来越多地用于支持高风险决策，但在可用证据内部不一致时通常表现较差。这一情境在现实世界的医疗环境中常见，患者自报症状与医学体征相矛盾。为研究此问题，我们引入 MIMIC-DOS，这是一个用于重症监护室(ICU)中短视器器恶化预测的数据集。我们基于广泛认可的 MIMIC-IV 数据集派生此数据集，仅从症状与体征不一致的病例中构建。该情境对现有 LLM 方法构成重大挑战，单次调用 LLM 或智能体管道往往难以调和此类冲突信号。为此，我们提出 CARE：一个多阶段隐私合规智能体推理框架，其中远程 LLM 通过生成结构化类别和转换而不接触敏感患者数据提供指导，同时本地 LLM 使用这些类别和转换支持证据获取和最终决策。实验上，CARE 在所有关键指标上均优于多个基线设置，表明 CARE 能在保留隐私的同时更稳健地处理冲突临床证据。
引用
@article{arxiv.2604.01113,
title = {CARE: Privacy-Compliant Agentic Reasoning with Evidence Discordance},
author = {Haochen Liu and Weien Li and Rui Song and Zeyu Li and Chun Jason Xue and Xiao-Yang Liu and Sam Nallaperuma and Xue Liu and Ye Yuan},
journal= {arXiv preprint arXiv:2604.01113},
year = {2026}
}
备注
Preprint