Jul, 2024

基于混合 RAG 的多模态安全医疗数据管理：一种基于扩散式合同理论的方法

PDF
TL;DR在不断发展的医疗保健领域中，安全的数据管理和有效的数据共享变得至关重要。本文提出了一种基于混合的检索增强生成（RAG）增强的医疗保健数据管理的多模跨链结构，通过使用多模度量来过滤各种单模 RAG 结果，并将这些检索结果作为附加输入融入到 MLLMs 中，从而提高了 MLLMs 的输出质量。同时使用更新度的评估以间接评估 MLLMs 对数据新鲜度的影响，并利用契约理论激励医疗保健数据持有者共享新鲜数据，减轻数据共享中的信息不对称，最后，利用基于生成扩散模型的强化学习算法来识别高效数据共享的最佳契约。数值结果证明了所提出的方案的有效性，实现了安全和高效的医疗保健数据管理。
secure data managementgenerative artificial intelligencemulti-modal large language models (mllms)hybrid retrieval-augmented generation (rag)healthcare data management
发现论文，激发创造
  • 工具呼叫：通过检索增强大型语言模型提升药物咨询

    基于检索增强生成（RAG）的大规模语言模型（LLMs）在医学领域的知识密集型任务中表现出显著的性能提升，着重研究了利用 LLMs 和 RAG 框架回答基于医药数据库的查询问题，并提出了 Distill-Retrieve-Read 框架用于关键字搜索，实验结果证明了该框架在证据检索准确性方面的优势。

    Apr, 2024

  • 大型语言模型中的检索增强生成的开发与测试 -- 一份案例研究报告

    大型语言模型（LLMs）在医疗应用中具有重要潜力，而检索增强生成（RAG）被认为是一种有前景的方法来定制 LLMs 中的领域知识。该研究通过开发和评估一个专门针对医疗保健领域、特别关注术前医学的 LLM-RAG 流程，验证了其可行性。

    Jan, 2024

  • REALM: 通过大型语言模型驱动的 RAG 的多模态电子健康记录分析的增强

    提出了一种名为 REALM 的框架，通过整合多模态电子健康记录（EHR）数据和知识图谱 (KG)，利用大型语言模型 (LLM) 编码临床笔记，并使用 GRU 模型编码时间序列 EHR 数据，提取任务相关的医疗实体，并将这些实体与专业标记的外部知识图谱 (PrimeKG) 进行匹配，通过适应性多模态融合网络将提取的知识与多模态 EHR 数据进行整合，最后通过对 MIMIC-III 的死亡率和再入院任务的大量实验，证明了 REALM 框架相比基线模型具有更优异的性能，强调了每个模块的有效性，从而改进了在医疗保健中利用多模态 EHR 数据并弥合了为明智临床预测所必需的细致医疗背景的差距。

    Feb, 2024

  • 基于企业数据的 LLM 应用架构下生成式 AI 服务实现的研究

    本研究提出了一种利用大型语言模型（LLM）应用架构实现生成式人工智能服务的方法，通过利用生成式人工智能技术的最新进展，研究解决了信息匮乏的挑战，并通过利用 LLM 功能提出了具体的解决方案。研究探讨了缓解数据不足问题的策略，提供了量身定制的解决方案。通过实施检索增强生成（RAG）模型来解决上述挑战是工作的一个重要贡献，该模型被精心设计用于增强信息存储和检索过程，以确保改进的内容生成。本研究阐明了以 RAG 模型为基础的信息存储和检索方法的关键阶段，对这些步骤进行了全面分析，强调了它们在解决数据匮乏方面的重要性。研究突出了所提出方法的有效性，通过示例展示了其在实践中的适用性。通过实施 RAG 模型进行信息存储和检索，本研究不仅对生成式人工智能技术有了更深入的理解，而且还促进了利用 LLM 的企业内部的实际应用。这项工作在推进生成式人工智能领域，提供改进基于数据的内容生成以及促进企业内部利用 LLM 服务方面具有重要价值。

    Sep, 2023

  • 用于医学教育中大规模非结构化文本数据的检索增强生成和代表性向量摘要化

    本文讨论了检索增强生成模型在医学教育领域的应用，并提出了一种使用代表向量对大规模非结构化文本数据进行抽取和生成式摘要的方法。

    Aug, 2023

  • 混合检索增强生成用于实时作曲协助

    利用混合检索增强生成（HybridRAG）框架，在需要实时响应的任务（如作文帮助）中，将客户端模型与云端模型相结合，通过异步生成的检索增强记忆使客户端模型具备生成高效响应的能力，并实现实时响应无需等待云端内存同步，从而克服了检索增强大型语言模型处理时间长的局限性。实验证明，HybridRAG 在延迟方面优于基于云的检索增强大型语言模型，并在效用方面优于仅具备客户端的模型。

    Aug, 2023

  • 关于 RAG 遇见 LLM 的调研：走向检索增强的大型语言模型

    检视了检索增强型大型语言模型（RA-LLMs）的现有研究，涵盖体系结构、训练策略和应用三个主要技术视角，并介绍了此类模型的基础知识和最新进展，以及它们为大型语言模型（LLMs）带来的实际意义和应用领域的挑战和能力，最后讨论了当前的局限性和未来研究的几个有前途的方向。

    May, 2024

  • BiomedRAG：一种用于生物医学领域的检索增强大型语言模型

    利用检索增强的生成模型在生物医学领域中实现大型语言模型的知识更新和性能提升，并证明了 BiomedRAG 在 5 个生物医学自然语言处理任务中的卓越表现。

    May, 2024

  • 知识密集检索增强生成中的多视图洞见

    该论文介绍了一种针对知识密集领域的新型多视图 RAG 框架 (MVRAG)，利用多个领域视角的意图感知查询重写来增强检索精度，从而提高最终推理的有效性。在法律和医学案例检索上进行的实验证明，我们的框架在召回率和精确率方面取得了显著改善。我们的多角度检索方法释放了多视图信息增强 RAG 任务的潜力，加速了 LLMs 在知识密集领域的进一步应用。

    Apr, 2024

  • 低资源医疗问答应用的两层信息检索增强生成框架：基于 Reddit 数据的概念验证

    检索增强生成 (RAG) 通过提供相关的上下文文本，可以约束生成模型的输出，并减轻产生虚假信息的可能性。我们提出了一个双层 RAG 框架用于查询焦点答案生成，并在社交媒体论坛中对此框架的概念验证进行评估，重点是从新兴的与药物相关信息中生成查询焦点摘要。评估结果表明，在资源受限的环境中，双层框架能够帮助研究人员从用户那里获取几乎实时的数据。

    May, 2024