ExKG-LLM: Leveraging Large Language Models for Automated Expansion of Cognitive Neuroscience Knowledge Graphs
Created by
- Haebom
Category
Empty
저자
Ali Sarabadani (Department of Computer Engineering and Information Technology, University of Qom, Iran), Kheirolah Rahsepar Fard (Department of Computer Engineering and Information Technology, University of Qom, Iran), Hamid Dalvand (Department of Occupational Therapy, School of Rehabilitation, Tehran University of Medical Sciences, Iran)
개요
ExKG-LLM은 대규모 언어 모델(LLM)을 사용하여 인지 신경과학 지식 그래프(CNKG)를 자동으로 확장하는 프레임워크입니다. 기존 도구의 정확성, 완전성 및 유용성을 향상시켜 CNKG의 한계를 해결합니다. 방대한 과학 논문 및 임상 보고서 데이터셋을 활용하여 최첨단 LLM을 통해 새로운 개체와 관계를 추출, 최적화 및 통합합니다. 평가 지표는 정밀도, 재현율 및 그래프 밀도를 포함하며, 결과는 정밀도(0.80, +6.67%), 재현율(0.81, +15.71%), F1 점수(0.805, +11.81%)의 상당한 향상과 에지 노드 증가(21.13% 및 31.92%)를 보여줍니다. 그래프 밀도는 약간 감소했지만, 더 광범위하지만 더 단편화된 구조를 반영합니다. 참여율은 20% 증가했고, CNKG 직경은 15로 증가하여 더 분산된 구조를 나타냅니다. 시간 복잡도는 O(n log n)으로 개선되었지만, 공간 복잡도는 O(n²)으로 증가하여 더 높은 메모리 사용량을 나타냅니다. ExKG-LLM은 인지 신경과학에서 지식 생성, 의미 검색 및 임상 의사 결정을 향상시키는 잠재력을 보여주며, 더 광범위한 과학 분야에도 적용 가능합니다.
시사점, 한계점
•
시사점:
◦
인지 신경과학 지식 그래프의 정확성, 완전성 및 유용성 향상
◦
정밀도, 재현율, F1 점수의 상당한 향상
◦
에지 노드 및 참여율 증가
◦
시간 복잡도 개선
◦
인지 신경과학에서 지식 생성, 의미 검색 및 임상 의사 결정 향상에 기여
◦
다양한 과학 분야로의 적용 가능성
•
한계점:
◦
그래프 밀도 감소 (더 광범위하지만 단편화된 구조)
◦
공간 복잡도 증가 (높은 메모리 사용량)
