LLM作为临床图结构精炼器：增强EEG癫痫诊断中的表示学习
人工智能
2026-05-01 v1
摘要
脑电图（EEG）信号对于自动化癫痫检测至关重要，但其固有的噪声使得鲁棒的表示学习充满挑战。现有的图构建方法，无论是基于相关性还是基于学习，往往因EEG数据的噪声特性而产生冗余或不相关的边。这严重损害了图表示的质量，并限制了下游任务的性能。受大语言模型（LLMs）卓越的推理和上下文理解能力启发，我们探索了将LLMs用作图边精炼器的想法。具体来说，我们提出了一个两阶段框架：我们首先验证了基于LLM的边精炼能够有效识别并移除冗余连接，从而显著提高癫痫检测准确率并产生更有意义的图结构。基于这一见解，我们进一步开发了一个鲁棒的解决方案，其中初始图使用基于Transformer的边预测器和多层感知机构建，为潜在边分配概率分数并应用阈值来确定其存在。然后，LLM充当边集精炼器，基于节点对的文本和统计特征做出明智决策，以验证剩余的连接。在TUSZ数据集上的大量实验表明，我们提出的LLM精炼图学习框架不仅提升了任务性能，还产生了更清晰、更具可解释性的图表示。
引用
@article{arxiv.2604.28178,
title = {LLM as Clinical Graph Structure Refiner: Enhancing Representation Learning in EEG Seizure Diagnosis},
author = {Lincan Li and Zheng Chen and Yushun Dong},
journal= {arXiv preprint arXiv:2604.28178},
year = {2026}
}
备注
This paper is accepted by the 35th International Joint Conference on Artificial Intelligence (IJCAI-ECAI 2026)