論文の概要: LLM as Clinical Graph Structure Refiner: Enhancing Representation Learning in EEG Seizure Diagnosis

• arxiv url: http://arxiv.org/abs/2604.28178v1
• Date: Thu, 30 Apr 2026 17:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.243995
• Title: LLM as Clinical Graph Structure Refiner: Enhancing Representation Learning in EEG Seizure Diagnosis
• Title（参考訳）: 臨床グラフ構造リファイナとしてのLCM:脳磁図精細診断における表現学習の促進
• Authors: Lincan Li, Zheng Chen, Yushun Dong,
• Abstract要約: 脳波信号は自動発作検出には不可欠であるが、その固有のノイズは、堅牢な表現学習を困難にしている。 既存のグラフ構築手法では、相関に基づくか学習に基づくかは、しばしば、脳波データのノイズの性質のため、冗長または無関係なエッジを生成する。 大規模言語モデル(LLM)の顕著な推論と文脈的理解能力に動機付けられ,LLMをグラフエッジ精錬器として利用するというアイデアを探求する。
• 参考スコア（独自算出の注目度）: 19.853206603792824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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 of large language models (LLMs), we explore the idea of using LLMs as graph edge refiners. Specifically, we propose a two-stage framework: we first verify that LLM-based edge refinement can effectively identify and remove redundant connections, leading to significant improvements in seizure detection accuracy and more meaningful graph structures. Building on this insight, we further develop a robust solution where the initial graph is constructed using a Transformer-based edge predictor and multilayer perceptron, assigning probability scores to potential edges and applying a threshold to determine their existence. The LLM then acts as an edge set refiner, making informed decisions based on both textual and statistical features of node pairs to validate the remaining connections. Extensive experiments on TUSZ dataset demonstrate that our LLM-refined graph learning framework not only enhances task performance but also yields cleaner and more interpretable graph representations.
• Abstract（参考訳）: 脳波(EEG)信号は、自動発作検出には不可欠であるが、その固有のノイズは、堅牢な表現学習を困難にしている。 既存のグラフ構築手法では、相関に基づくか学習に基づくかは、しばしば、脳波データのノイズの性質のため、冗長または無関係なエッジを生成する。 これにより、グラフ表現の品質が著しく損なわれ、ダウンストリームタスクのパフォーマンスが制限される。 大規模言語モデル(LLM)の顕著な推論と文脈的理解能力に動機付けられ,LLMをグラフエッジ精錬器として利用するというアイデアを探求する。 具体的には,LLMに基づくエッジ改良が冗長な接続を効果的に識別・除去できることを示す2段階のフレームワークを提案する。 この知見に基づいて、トランスフォーマーベースのエッジ予測器と多層パーセプトロンを用いて初期グラフを構築し、確率スコアを潜在的エッジに割り当て、しきい値を適用してそれらの存在を決定する頑健な解をさらに発展させる。 LLMはエッジセット精製器として機能し、残りの接続を検証するためにノードペアのテキスト的特徴と統計的特徴の両方に基づいて情報的決定を行う。 TUSZデータセットの大規模な実験により、我々のLLM精製グラフ学習フレームワークはタスク性能を向上するだけでなく、よりクリーンで解釈可能なグラフ表現も得られることが示された。

関連論文リスト

• Actions Speak Louder than Prompts: A Large-Scale Study of LLMs for Graph Inference [7.817259532290553]
  大規模言語モデル(LLM)は、テキストリッチなグラフ機械学習タスクにますます利用されている。 関心の高まりにもかかわらず、この分野はグラフデータとの相互作用におけるLLMの能力の原則的な理解を欠いている。
  論文  参考訳（メタデータ） (2025-09-23T00:46:21Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Scalability Matters: Overcoming Challenges in InstructGLM with Similarity-Degree-Based Sampling [1.2805157669888096]
  提案するSDM-InstructGLMは,GNNに依存することなく,拡張性と効率を向上する命令調整グラフ言語モデル(InstructGLM)フレームワークである。 本手法では,ノード間類似度と次数集中度に基づいてグラフ情報を選択的にサンプリングし,符号化する,類似度に基づくバイアス付きランダムウォーク機構を提案する。 本結果は,LLMのみのグラフ処理の実現可能性を示し,命令ベースの微調整によって最適化されたスケーラブルかつ解釈可能なグラフ言語モデル(GLM)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T06:08:21Z)
• GraphICL: Unlocking Graph Learning Potential in LLMs through Structured Prompt Design [13.365623514253926]
  Graph In-Context Learning (GraphICL)ベンチマークは、グラフ構造をキャプチャし、限られたラベル知識を扱う新しいプロンプトテンプレートからなる包括的なベンチマークである。 システム評価の結果,GraphICLを用いた汎用LLMは,最先端の特殊グラフLLMやグラフニューラルネットワークモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-01-27T03:50:30Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• How Do Large Language Models Understand Graph Patterns? A Benchmark for Graph Pattern Comprehension [53.6373473053431]
  この研究は、グラフパターンタスクにおける大規模言語モデルの能力を評価するためのベンチマークを導入する。 我々は,LLMが用語的記述と位相的記述の両方に基づいて,グラフパターンを理解できるかどうかを評価するベンチマークを開発した。 私たちのベンチマークでは、合成データセットと実際のデータセットの両方と、11のタスクと7のモデルで構成されています。
  論文  参考訳（メタデータ） (2024-10-04T04:48:33Z)
• Beyond Text: A Deep Dive into Large Language Models' Ability on Understanding Graph Data [13.524529952170672]
  大規模言語モデル(LLM)は多くの自然言語処理タスクにおいて顕著な性能を達成している。 LLMがグラフデータを効果的に処理し、トポロジ構造を利用して性能を向上させることができるかどうかを評価することを目的とする。 LLMの性能を特殊グラフモデルと比較することにより、グラフ解析にLLMを使用する際の長所と短所について考察する。
  論文  参考訳（メタデータ） (2023-10-07T23:25:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。