摘要
针对深度心电图分类模型优化依赖人工的问题,本文提出 RecursiveECG 框架。该框架利用大语言模型作为离线设计者,通过将诊断标准编译为可执行函数获取客观证据,结合原始波形与模型输出分析失败案例。系统仅保留有证据支持的修改,实现分类器的递归自我优化。实验表明,该方法在多个数据集上显著优于基线,且部署时无需大模型推理,具备可审计性。
AI 推荐理由
论文核心在于利用 LLM 基于失败证据进行模型的递归修正与自我改进,符合自我进化定义。
研究机构
北京邮电大学计算机学院
北京邮电大学人工智能学院
重庆大学经济与工商管理学院
论文信息