通过图柯尔莫哥洛夫复杂性进行逻辑语法归纳：用于自我修复临床数据完整性的神经符号框架

arXiv:2605.15242v1 公告类型：新 摘要：医疗信息系统 (HIS) 的可靠性经常受到人为数据输入错误的影响，现有的统计异常检测方法无法区分合法的临床极端情况。本文提出了 Logic-GNN，这是一种新颖的神经符号框架，它将临床记录视为由潜在逻辑游戏控制的结构化“私人语言”。通过将时态图神经网络（TGNN）与图柯尔莫哥洛夫复杂度相结合，我们引入了代表医疗交互的基本逻辑的符号语法。我们将异常定义为导致临床图的最小描述长度（MDL）显着扩展的“语法违规”。在新浪系统数据集（2M+ 条记录）上进行评估，Logic-GNN 的 F1 分数为 0.94，在区分危及生命的医疗异常值和数据损坏方面比最先进的基线高出 12%。我们的方法引入了一种自我修复机制，该机制建议进行逻辑更正，以维护实时 HIS 环境中的数据完整性。