基于隐式交互图的贝叶斯低秩适配器 iLoRA 用于微生物组诊断
机器学习
2026-05-29 v1 人工智能
摘要
参数高效适配使 LLM 能够用于领域预测，但标准 LoRA 仍依赖于静态低秩更新，且未暴露常常驱动科学标签的潜在相互作用。我们提出 iLoRA。据我们所知，这是首个基于贝叶斯图条件的 LoRA 框架。它从输入中推断潜在交互图，并据此生成输入条件化的 LoRA 更新。因此，iLoRA 能够联合学习预测和潜在相互作用结构，而不是仅事后应用交互分析来训练预测器。我们为此实例化了微生物组诊断，其中疾病状态可依赖于物种水平丰度和微生物-微生物的交叉相互作用，并在两个互补的情境中对其进行评估：一种是与人工标注图交互式 QA，这测试潜在结构恢复；另一种是多队列 IB D 诊断，这测试医学实用性。在两种情境下，iLoRA 在强大的 LoRA 和贝叶斯适配基准之上，恢复与人工标注和队列水平微生物组关联一致的图，并提供具有适度图分支开销的校准不确定性。
引用
@article{arxiv.2605.30179,
title = {iLoRA: Bayesian Low-Rank Adaptation with Latent Interaction Graphs for Microbiome Diagnosis},
author = {Yang Song and Yixuan Zhang and Lingfa Meng and Tongyuan Hu and Haizhou Shi and Hao Wang and Samir Bhatt and Hengguan Huang},
journal= {arXiv preprint arXiv:2605.30179},
year = {2026}
}
备注
Accepted at ICML 2026