从暴露到内化：用于上下文临床推理的双流校准
定量方法
2026-04-09 v1 人工智能
摘要
上下文临床推理需要基于复杂、异质临床记录的稳健推理。虽然最先进的微调、上下文学习（ICL）和检索增强生成（RAG）实现了知识暴露，但它们通常无法实现真正的上下文内化：在推理时动态调整模型的内部表示以适应个体案例的细微差别。为此，我们提出双流校准（DSC），一个测试时训练框架，超越表面知识暴露以在推理期间实现深度内化。DSC 通过协同对齐两个校准流来促进输入内化。与被动的上下文暴露不同，语义校准流通过最小化熵来稳定生成轨迹，从而强制对核心证据进行审慎反思，内化语义锚点。同时，结构校准流通过迭代元学习目标同化潜在推理依赖。通过在测试时使用专用支持集进行训练，该流使模型能够弥合外部证据与内部逻辑之间的差距，将碎片化数据综合为连贯的响应。我们的方法将推理范式从被动的基于注意力的匹配转变为潜在推理空间的主动优化。在十三个临床数据集上的验证表明，DSC 在三个不同任务范式中均表现出优越性，持续超越从训练依赖模型到测试时学习框架的最先进基线。
引用
@article{arxiv.2604.06262,
title = {From Exposure to Internalization: Dual-Stream Calibration for In-context Clinical Reasoning},
author = {Chuang Zhao and Hongke Zhao and Xiaofang Zhou and Xiaomeng Li},
journal= {arXiv preprint arXiv:2604.06262},
year = {2026}
}