arXiv NLP·14 天前★ 3

研究提出轨迹引导干预 TGS，缓解临床分类虚假特征偏差

原文标题：Trajectory-Guided Steering: Mitigating Spurious Feature Bias in Clinical Classification

重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文发现临床笔记中替换单个性别词元可使与性别无关的诊断改变高达 53.5%。作者提出轨迹引导干预（TGS），仅依据模型预测轨迹决定是否纠正及方向，无需反事实数据。在 i2b2 的 16 项临床分类任务上修正 17.7% 错误，仅破坏 1.3% 正确预测。

论文速读 · 四段结构cs.CL去论文速读 →

深读 · 结论先行AI 生成展开看要点与影响 ↓

临床笔记中替换单个性别词元可改变高达 53.5% 的性别无关诊断，TGS 修正 17.7% 错误仅破坏 1.3% 正确预测。

•问题规模：替换单个性别词元，使与性别无关的诊断改变高达 53.5% 的案例。
•TGS 仅依据模型各层答案偏好的演化轨迹，决定是否纠正及方向，无需反事实数据、不需知道虚假特征。
•i2b2 的 16 项临床分类任务上修正 17.7% 错误、仅破坏 1.3% 正确预测，所有测试超参下净收益为正，基线均为净负或近零。
•纠正后性别替换不一致率下降：高血压 53.5%→38.0%，糖尿病 35.1%→21.5%；若对每篇文档都纠正，正确正例破坏率从 0.1% 升至 6.4%，故逐文档选择必要。
•方法可迁移到三个模型家族及另外三个临床与生物医学数据集。

为什么重要：临床分类模型对性别等虚假特征的依赖可能造成实际误诊风险，逐文档选择性纠正在不牺牲正确预测的前提下提供了可操作路径。

以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。

AI 处理过程展开/收起

原始标题：Trajectory-Guided Steering: Mitigating Spurious Feature Bias in Clinical Classification

AI 中文标题：研究提出轨迹引导干预 TGS，缓解临床分类虚假特征偏差

来源：arXiv NLP · 发布于 14 天前

分类：学术研究 · AI 重要度：★ 3（3）

标签：临床分类 / 虚假特征 / 推理时干预 / 模型偏差

关键词：临床分类 / 虚假特征 / 模型偏差 / 推理时干预 / 医疗大模型

AI 处理：2026/10/19 12:01:30 · 模型 deepseek-chat · 规则版本 2026-10-10.1

AI 生成以上内容由 AI 自动生成：中文标题、摘要、分类与重要度；同一事件的多家报道会自动归并展示。内容仅供参考，可能存在偏差，请以原文为准，不构成任何投资或专业建议。
版权归原作者与原发布平台所有；若涉及侵权或信息错误，请在举报与侵权投诉页反馈，我们会及时处理。

相关推荐