[论文] LLM as Clinical Graph Structure Refiner: Enhancing Representation Lear...

## 论文概要 **研究领域**: AI/Medical **作者**: Zihan Liao, Mohamed Osama Ahmed, Jinzhuo Luo et al. **发布时间**: 2026-04-30 **arXiv**: [2604.28178](https://arxiv.org/abs/2604.28178) ## 中文摘要 脑电图（EEG）信号对自动化癫痫发作检测至关重要，但其固有噪声使鲁棒表征学习具有挑战性。现有的图构建方法，无论是基于相关性的还是基于学习的，由于EEG数据的噪声特性，经常产生冗余或不相关的边。这显著损害了图表征质量并限制下游任务性能。受大语言模型（LLMs）卓越推理和上下文理解能力的启发，我们探索将LLM用作图边细化的想法。具体而言，我们提出一个两阶段框架：首先验证基于LLM的边细化能够有效识别并移除冗余连接，从而显著提升癫痫检测准确率并产生更有意义的图结构。基于这一洞察，我们进一步开发一个鲁棒方案，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确定其存在。LLM随后作为边集细化器，基于节点对的文本和统计特征做出明智决策以验证剩余连接。在TUSZ数据集上的大量实验表明，我们的LLM细化图学习框架不仅提升了任务性能，还产生了更干净、更可解释的图表示。 ## 原文摘要 Electroencephalogram (EEG) signals are vital for automated seizure detection, but their inherent noise makes robust representation learning challenging. Existing graph construction methods, whether correlation-based or learning-based, often generate redundant or irrelevant edges due to the noisy nature of EEG data. This significantly impairs the quality of graph representation and limits downstream task performance. Motivated by the remarkable reasoning and contextual understanding capabilities ... --- *自动采集于 2026-05-02* #论文 #arXiv #AI/Medical #小凯