基于图Kolmogorov复杂度的逻辑语法归纳：面向自愈临床数据完整性的神经符号框架
机器学习
2026-05-18 v1
摘要
医疗信息系统 (HIS) 的可靠性常受到人为数据录入错误的破坏，这些错误现有的统计异常检测方法难以与合法的临床极端值区分开来。本文提出了 Logic-GNN，一种新型神经符号框架，将临床记录视为受潜在逻辑博弈控制的结构化“私有语言”。通过将时序图神经网络 (TGNN) 与图Kolmogorov复杂度相集成，我们诱导一种表示医疗交互底层逻辑的符号语法。我们将异常定义为“语法违规”，其会导致临床图的最小描述长度 (MDL) 显著扩大。在新浪系统数据集 (200 万+ 记录) 上进行评估，Logic-GNN 实现了 0.94 的 F1 分数，在区分危及生命的医疗异常值与数据破坏方面优于最先进的基线方法 12%。我们的方法引入了一种自愈机制，可在实时 HIS 环境中建议逻辑性修正以维持数据完整性。
引用
@article{arxiv.2605.15242,
title = {Logical Grammar Induction via Graph Kolmogorov Complexity: A Neuro-Symbolic Framework for Self-Healing Clinical Data Integrity},
author = {Abolfazl Zarghani and Amir Malekesfandiari},
journal= {arXiv preprint arXiv:2605.15242},
year = {2026}
}