LLM 기반 임상 그래프 구조 정제자: EEG 발작 진단에서의 표현 학습 향상

뇌전도 (EEG) 신호는 자동화된 발작 감지에 필수적이지만, 그 고유의 노이즈로 인해 견고한 표현 학습이 어렵습니다. 기존 그래프 구성 방법들은 상관관계 기반이거나 학습 기반인 것이든 간에, EEG 데이터의 노이즈 특성 때문에 중복되거나 관련 없는 엣지를 생성하는 경우가 많습니다. 이는 그래프 표현의 품질을 현저히 저해하고 하위 작업 수행 능력을 제한합니다. 큰 언어 모델 (LLMs) 의 놀라운 추론 및 문맥 이해 능력을 동기로, 우리는 LLM 을 그래프 엣지 정제자 (refiner) 로 활용하는 아이디어를 탐구합니다. 구체적으로, 우리는 두 단계 프레임워크를 제안합니다. 먼저 LLM 기반 엣지 정제가 중복 연결을 효과적으로 식별하고 제거하여 발작 감지 정확도와 더 의미 있는 그래프 구조에서 상당한 향상을 이끌어낼 수 있음을 검증합니다. 이 통찰력을 바탕으로, 초기 그래프는 Transformer 기반 엣지 예측기와 다층 퍼셉트론 (MLP) 을 사용하여 구축하며 잠재적 엣지에 확률 점수를 부여하고 임계값을 적용하여 그 존재 여부를 결정하는 견고한 솔루션을 추가로 개발합니다. 이후 LLM 은 텍스트 및 노드 쌍의 통계적 특징을 모두 고려하여 남은 연결을 검증하는 정보에 기반한 결정을 내리는 엣지 세트 정제자 (edge set refiner) 로 작용합니다. TUSZ 데이터셋에 대한 광범위한 실험 결과, 우리의 LLM 정제 그래프 학습 프레임워크는 작업 성능을 향상시킬 뿐만 아니라 더 깨끗하고 해석 가능한 그래프 표현을 제공합니다.