面向高风险医疗检索增强生成的主张选择性认证
计算与语言
2026-05-22 v1
摘要
高风险情境下的医疗检索增强生成系统通常通过单一的作答或放弃决策进行评估，但混合证据可能支持一项主张、需条件支持另一项主张，或与第三项主张相矛盾。我们研究主张选择性认证：每个响应被分解为可验证主张，这些主张针对检索证据进行评分，并由面向意图的选择器映射到 {full, partial, conflict, abstain}。在主要弱标签证书协议上，其真实来源 dev/test 行覆盖自然发生的非放弃动作，完整系统在 dev（n=314）上记录 UCCR=0.0000、PAU=1.0000、PAU Precision=0.9901，行动准确率=0.9204；在 test（n=319）上记录 UCCR=0.0000、PAU=0.9967、PAU Precision=0.9739，行动准确率=0.8997。UCCR 测量证书定义下的不支持主张风险，空证据下的反事实切片评估放弃。快捷控制量化了动作标签先验由来源与意图元数据解释的比例，而来源/证据-新切片刻画迁移边界。最终得到的界面将动作标签预测与证据关联的主张选择分离。
引用
@article{arxiv.2605.21949,
title = {Claim-Selective Certification for High-Risk Medical Retrieval-Augmented Generation},
author = {Shao Kan},
journal= {arXiv preprint arXiv:2605.21949},
year = {2026}
}
备注
22 pages, 7 figures, 11 tables