論文の概要: Multi-View Contrastive Learning for Robust Domain Adaptation in Medical Time Series Analysis

• arxiv url: http://arxiv.org/abs/2506.22393v1
• Date: Fri, 27 Jun 2025 17:06:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.300568
• Title: Multi-View Contrastive Learning for Robust Domain Adaptation in Medical Time Series Analysis
• Title（参考訳）: 医療時系列分析におけるロバスト領域適応のためのマルチビューコントラスト学習
• Authors: YongKyung Oh, Alex Bui,
• Abstract要約: 複雑な時間的依存関係と動的分散シフトのため、マシンラーニングモデルを医療時系列に適応することは依然として課題である。 本稿では,多視点コントラスト学習を活用して,時間的パターン,微分的ダイナミクス,周波数領域の特徴を統合する新しいフレームワークを提案する。 本手法では,独立エンコーダと階層的融合機構を用いて,ドメイン間で転送可能な特徴不変表現を学習する。
• 参考スコア（独自算出の注目度）: 4.14360329494344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adapting machine learning models to medical time series across different domains remains a challenge due to complex temporal dependencies and dynamic distribution shifts. Current approaches often focus on isolated feature representations, limiting their ability to fully capture the intricate temporal dynamics necessary for robust domain adaptation. In this work, we propose a novel framework leveraging multi-view contrastive learning to integrate temporal patterns, derivative-based dynamics, and frequency-domain features. Our method employs independent encoders and a hierarchical fusion mechanism to learn feature-invariant representations that are transferable across domains while preserving temporal coherence. Extensive experiments on diverse medical datasets, including electroencephalogram (EEG), electrocardiogram (ECG), and electromyography (EMG) demonstrate that our approach significantly outperforms state-of-the-art methods in transfer learning tasks. By advancing the robustness and generalizability of machine learning models, our framework offers a practical pathway for deploying reliable AI systems in diverse healthcare settings.
• Abstract（参考訳）: 機械学習モデルをさまざまな領域にわたる医療時系列に適応させることは、複雑な時間的依存関係と動的分散シフトのため、依然として課題である。 現在のアプローチは、しばしば孤立した特徴表現に焦点を当て、堅牢なドメイン適応に必要な複雑な時間的ダイナミクスを完全にキャプチャする能力を制限する。 本研究では,時間的パターン,微分的ダイナミクス,周波数領域の特徴を統合するために,マルチビューコントラスト学習を活用した新しいフレームワークを提案する。 本手法では,時間的コヒーレンスを維持しつつ,ドメイン間で伝達可能な特徴不変表現を学習するために,独立エンコーダと階層的融合機構を用いる。 脳波(EEG)、心電図(ECG)、筋電図(EMG)などの多種多様な医学データセットに対する広範な実験により、我々のアプローチが伝達学習タスクにおける最先端の手法を著しく上回っていることが示された。 機械学習モデルの堅牢性と一般化性を推し進めることで、我々のフレームワークは、多様な医療環境に信頼性の高いAIシステムをデプロイするための実践的な経路を提供する。

関連論文リスト

• UniSTD: Towards Unified Spatio-Temporal Learning across Diverse Disciplines [64.84631333071728]
  本稿では,時間的モデリングのためのトランスフォーマーベースの統合フレームワークであるbfUnistageを紹介する。 我々の研究は、タスク固有の視覚テキストが時間学習のための一般化可能なモデルを構築することができることを示した。 また、時間的ダイナミクスを明示的に組み込むための時間的モジュールも導入する。
  論文  参考訳（メタデータ） (2025-03-26T17:33:23Z)
• MedGNN: Towards Multi-resolution Spatiotemporal Graph Learning for Medical Time Series Classification [9.290150386783838]
  医用時系列分類のための多分解能グラフ学習フレームワークMedGNNを提案する。 まず、動的なマルチスケール埋め込みを学習するために、多分解能適応グラフ構造を構築することを提案する。 次に、時間的モデリングのための有限差分上で自己注意機構を操作するための差分注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2025-02-06T21:34:54Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• CViT: Continuous Vision Transformer for Operator Learning [24.1795082775376]
  連続ビジョントランスフォーマー(Continuous Vision Transformer、CViT)は、コンピュータビジョンの進歩を活用して複雑な物理システムを学ぶ際の課題に対処する、新しい神経オペレーターアーキテクチャである。 CViTは、ビジョントランスフォーマーエンコーダ、新しいグリッドベースの座標埋め込み、マルチスケール依存関係を効果的にキャプチャするクエリワイドのクロスアテンション機構を組み合わせたものである。 本研究では, 流体力学, 気候モデル, 反応拡散過程を含む多種多様な偏微分方程式(PDE)システムにおけるCViTの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-22T21:13:23Z)
• MMA-DFER: MultiModal Adaptation of unimodal models for Dynamic Facial Expression Recognition in-the-wild [81.32127423981426]
  実世界のアプリケーションでは,音声およびビデオデータに基づくマルチモーダル感情認識が重要である。 近年の手法は、強力なマルチモーダルエンコーダの事前学習に自己教師付き学習(SSL)の進歩を活用することに重点を置いている。 SSL-pre-trained disimodal encoders を用いて,この問題に対する異なる視点とマルチモーダル DFER の性能向上について検討する。
  論文  参考訳（メタデータ） (2024-04-13T13:39:26Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• TS-MoCo: Time-Series Momentum Contrast for Self-Supervised Physiological Representation Learning [8.129782272731397]
  ラベルを必要とせずに様々な生理領域から表現を学習するために,モーメントコントラストを持つ自己教師型学習に依存した新しい符号化フレームワークを提案する。 我々の自己教師型学習アプローチは、下流の分類タスクで活用できる差別的特徴を実際に学習できることを示します。
  論文  参考訳（メタデータ） (2023-06-10T21:17:42Z)
• MVMTnet: A Multi-variate Multi-modal Transformer for Multi-class Classification of Cardiac Irregularities Using ECG Waveforms and Clinical Notes [4.648677931378919]
  ディープラーニングは、臨床ベースのアプリケーションのための診断と患者モニタリングを最適化するために使用することができる。 心臓血管疾患では、世界中の様々な地域で医療資源が利用可能になる傾向がますます高まってきており、心疾患の自動分類が課題となっている。 提案したマルチモーダルトランスフォーマーアーキテクチャは、トランスフォーマーのクロスドメインの有効性を実証しながら、このタスクを正確に実行することができる。
  論文  参考訳（メタデータ） (2023-02-21T21:38:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。