面向分类体系感知的医疗语言模型适配的条件秩分配

医疗问答涵盖多个专科和临床操作，而不同任务可能受益于不同的适配方向。我们提出 ARBOR，一种参数高效方法，为每个问题从共享低秩基中选择秩一分量。加性门控机制结合问题表示、专科标签、操作标签及其交互信息；一个学习得到的系数用于缩放适配器残差。在正交且等概率的子任务下，一个示例性分离结果表明，在激活秩相同的情况下，条件选择可以避免固定更新所面临的逼近误差下限。该结果为方法设计提供了动机，但并未声称医疗语料库具有相应的界。基于 Qwen3-8B，在 CMB、CMExam、MedQA 和 MedMCQA 上进行的五个随机种子实验显示，跨基准测试的平均准确率为 69.69%，分别比 LoRA r16 和 MoELoRA 高出 1.26 和 1.30 个百分点。随着训练范围从一个专科扩展到七个专科，相较于 LoRA r16 的报告优势从 0.08 个百分点增至 1.94 个百分点。标签扰动和原子屏蔽实验支持临床路由的有效性，而原子簇与所提供的专科标签相一致（调整兰德指数为 0.62）。校准、迁移能力和实测成本进一步刻画了该方法。这些发现支持将结构化条件适配用于医疗问答，但临床安全性和更广泛的部署仍未经过测试。