LLMを臨床グラフ構造のリファイナーとして活用：EEGてんかん診断における表現学習の強化
arXiv cs.AI / 2026/5/1
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- この研究は、ノイズの多いEEG信号がてんかん検出向けのグラフ構築を不安定にし、冗長または無関係なエッジが生成されることで下流性能が低下する問題を扱っています。
- 大規模言語モデル（LLM）を用いてグラフのエッジを洗練（リファイン）し、冗長な接続の除去によって発作検出精度とグラフの解釈可能性が向上することをまず示します。
- 提案手法は2段階で構成され、最初にTransformerベースのエッジ予測器とMLPで候補エッジをスコアリングし、閾値処理で初期の隣接関係を作ります。
- 次にLLMがエッジ集合のリファイナーとして働き、ノード対に関するテキスト特徴と統計特徴の両方を手がかりに接続の採否を判断します。
- TUSZデータセットでの実験により、LLMで精緻化したグラフ学習が性能を改善しつつ、よりクリーンで意味のあるグラフ表現を得られることが示されています。
