論文の概要: Scattering Transformer: A Training-Free Transformer Architecture for Heart Murmur Detection

• arxiv url: http://arxiv.org/abs/2509.18424v1
• Date: Mon, 22 Sep 2025 21:08:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.589309
• Title: Scattering Transformer: A Training-Free Transformer Architecture for Heart Murmur Detection
• Title（参考訳）: Scattering Transformer: 心臓外傷検出のためのトレーニングフリートランスアーキテクチャ
• Authors: Rami Zewail,
• Abstract要約: 本研究では,Scattering Transformerを紹介した。 提案手法は,バックプロパゲーションを伴わないトランスフォーマー型アーキテクチャにおいて,コンテキスト依存性を導入することで,標準的なウェーブレット散乱ネットワークを利用する。 Scattering Transformerは0.786の重み付き精度(WAR)と0.697のUnweighted Average Recall(UAR)を達成する。
• 参考スコア（独自算出の注目度）: 0.4061135251278187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In an attempt to address the need for skilled clinicians in heart sound interpretation, recent research efforts on automating cardiac auscultation have explored deep learning approaches. The majority of these approaches have been based on supervised learning that is always challenged in occasions where training data is limited. More recently, there has been a growing interest in potentials of pre-trained self-supervised audio foundation models for biomedical end tasks. Despite exhibiting promising results, these foundational models are typically computationally intensive. Within the context of automatic cardiac auscultation, this study explores a lightweight alternative to these general-purpose audio foundation models by introducing the Scattering Transformer, a novel, training-free transformer architecture for heart murmur detection. The proposed method leverages standard wavelet scattering networks by introducing contextual dependencies in a transformer-like architecture without any backpropagation. We evaluate our approach on the public CirCor DigiScope dataset, directly comparing it against leading general-purpose foundational models. The Scattering Transformer achieves a Weighted Accuracy(WAR) of 0.786 and an Unweighted Average Recall(UAR) of 0.697, demonstrating performance highly competitive with contemporary state of the art methods. This study establishes the Scattering Transformer as a viable and promising alternative in resource-constrained setups.
• Abstract（参考訳）: 心臓音の解釈における熟練臨床医の必要性に対処するため,近年,心臓の聴力の自動化に関する研究が深層学習のアプローチを探求している。 これらのアプローチの大半は教師付き学習に基づいており、トレーニングデータに制限がある場合には常に挑戦される。 近年,バイオメディカル・エンド・タスクのための自己教師型オーディオ基礎モデルの事前学習の可能性への関心が高まっている。 有望な結果を示すにもかかわらず、これらの基礎モデルは典型的に計算集約的である。 本研究は, 心臓外傷検出のための新しいトレーニングフリートランスフォーマーアーキテクチャであるScattering Transformerを導入することで, これらの汎用オーディオ基盤モデルに代わる軽量な代替手段を探求する。 提案手法は,バックプロパゲーションを伴わないトランスフォーマー型アーキテクチャにおいて,コンテキスト依存性を導入することで,標準的なウェーブレット散乱ネットワークを利用する。 提案手法をCirCor DigiScopeデータセット上で評価し,主要な汎用基盤モデルと直接比較した。 Scattering Transformerは0.786の重み付き精度(WAR)と0.697のUnweighted Average Recall(UAR)を達成する。 本研究では,資源制約設定において,Scattering Transformerを有効かつ有望な代替手段として確立する。

関連論文リスト

• Fine-tuning -- a Transfer Learning approach [0.22344294014777952]
  電子健康記録(EHR)の欠落は、この貴重な資源に欠落するデータが豊富にあるため、しばしば妨げられる。 既存の深い計算手法は、計算処理とダウンストリーム解析の両方を組み込んだエンドツーエンドのパイプラインに依存している。 本稿では,モジュール型深層学習型計算・分類パイプラインの開発について検討する。
  論文  参考訳（メタデータ） (2024-11-06T14:18:23Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Distill-SODA: Distilling Self-Supervised Vision Transformer for Source-Free Open-Set Domain Adaptation in Computational Pathology [12.828728138651266]
  スライド画像全体から手動の組織タイピングを減らすためには,計算病理モデルの開発が不可欠である。 本稿では,上記の課題に対処して,オープンソースフリーなオープンセットドメイン適応という現実的な設定を提案する。 提案手法は,事前学習したソースモデルをラベルなしのターゲットデータセットに適応させることに重点を置いている。
  論文  参考訳（メタデータ） (2023-07-10T14:36:51Z)
• Emergent Agentic Transformer from Chain of Hindsight Experience [96.56164427726203]
  簡単なトランスフォーマーベースモデルが時間差と模倣学習に基づくアプローチの両方と競合することを示す。 単純なトランスフォーマーベースのモデルが時間差と模倣学習ベースのアプローチの両方で競合するのはこれが初めてである。
  論文  参考訳（メタデータ） (2023-05-26T00:43:02Z)
• Transformer Meets Boundary Value Inverse Problems [4.165221477234755]
  変圧器を用いた深部直接サンプリング法は境界値逆問題のクラスを解くために提案される。 慎重に設計されたデータと再構成された画像の間に学習した逆演算子を評価することにより、リアルタイムな再構成を実現する。
  論文  参考訳（メタデータ） (2022-09-29T17:45:25Z)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Old is Gold: Redefining the Adversarially Learned One-Class Classifier Training Paradigm [15.898383112569237]
  異常検出の一般的な方法は、逆数ネットワークのジェネレータを使用して異常スコアを定式化することである。 本研究では,幅広いトレーニング段階にわたって,安定した結果を効果的に生成するフレームワークを提案する。 我々のモデルは,最近の最先端手法を超越して,98.1%のフレームレベルAUCを実現する。
  論文  参考訳（メタデータ） (2020-04-16T13:48:58Z)

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。