LLM-as-Designer Model Refinement Evidence-Driven ECG Classification Self-Improvement
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
作者 Jinliang Deng, Yiming Niu, Yibo Pan, Zhiqi Shao, Qin Luo et al.
发布日期 2026-07-27
arXiv ID 2607.24419
相关性评分 9/10 (高度相关)