基于自动LLM解释的异构图重要性评分与聚类
机器学习
2026-05-06 v1 人工智能
摘要
城市桥梁网络是关键基础设施，其 disruption 可能导致对交通、紧急服务和经济活动的严重冲击。本文提出了一套综合方法，通过异构图分析、无监督聚类和大语言模型（LLM）自动解释来评估桥梁重要性。我们的 approach 解决了三个根本性挑战：(1)仅使用开放数据源对多维桥梁重要性进行量化；(2)发现不同城市间的功能性桥梁原型；(3)自动生成政策相关解释。我们从OpenStreetMap（OSM）数据构建异构图，包含桥梁、道路网络、建筑物和公共设施。计算五个社会影响指标： Transit Desert Score（交通荒漠得分）、Hospital Access Score（医院可达性得分）、Isolation Risk Score（隔离风险得分）、Supply Chain Impact Score（供应链影响得分）和Green Space Access Score（绿地可达性得分）。这些52维特征向量经UMAP降维后通过HDBSCAN进行密度聚类。所发现的聚类通过经过温度优化的LLM（Elyza8b，在建筑领域语料库上训练）进行解释。(1)从OSM到可操作性桥梁重要性排名的完整开放数据管道；(2)五指标评分方法论，实现40倍计算优化；(3)在多城市数据上验证的UMAP+HDBSCAN聚类框架；(4)包括温度优化和模型选择依据的LLM解释方法论；(5)通过仅需配置的适应性跨城市迁移 demonstration。
引用
@article{arxiv.2605.02917,
title = {PRISM-CTG: A Foundation Model for Cardiotocography Analysis with Multi-View SSL},
author = {Sheng Wong and Ravi Shankar and Beth Albert and Hao Fei and Lin Li and Imane Ben M'Barek and Manu Vatish and Gabriel Davis Jones},
journal= {arXiv preprint arXiv:2605.02917},
year = {2026}
}