論文の概要: RAxSS: Retrieval-Augmented Sparse Sampling for Explainable Variable-Length Medical Time Series Classification

• arxiv url: http://arxiv.org/abs/2510.02936v1
• Date: Fri, 03 Oct 2025 12:26:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.375536
• Title: RAxSS: Retrieval-Augmented Sparse Sampling for Explainable Variable-Length Medical Time Series Classification
• Title（参考訳）: RAxSS: 説明可能な可変長医療時系列分類のための検索拡張スパースサンプリング
• Authors: Aydin Javadov, Samir Garibov, Tobias Hoesli, Qiyang Sun, Florian von Wangenheim, Joseph Ollier, Björn W. Schuller,
• Abstract要約: 検索インフォームド分類のためのスパースサンプリングフレームワークを一般化する。 我々は、チャネル内類似性による予測を集約し、確率空間、凸級数レベルスコア、説明可能性を示す明確なエビデンストレイルに集約する。 提案手法は,競争力のあるiEEG分類性能を実現し,透明性と説明可能性を高める。
• 参考スコア（独自算出の注目度）: 38.39105016249814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical time series analysis is challenging due to data sparsity, noise, and highly variable recording lengths. Prior work has shown that stochastic sparse sampling effectively handles variable-length signals, while retrieval-augmented approaches improve explainability and robustness to noise and weak temporal correlations. In this study, we generalize the stochastic sparse sampling framework for retrieval-informed classification. Specifically, we weight window predictions by within-channel similarity and aggregate them in probability space, yielding convex series-level scores and an explicit evidence trail for explainability. Our method achieves competitive iEEG classification performance and provides practitioners with greater transparency and explainability. We evaluate our method in iEEG recordings collected in four medical centers, demonstrating its potential for reliable and explainable clinical variable-length time series classification.
• Abstract（参考訳）: 医療時系列分析は、データ空間、ノイズ、高度に可変な記録長のために困難である。 従来の研究では,確率的スパースサンプリングが可変長信号の処理を効果的に行うことが示されている。 本研究では,検索インフォームド分類のための確率的スパースサンプリングフレームワークを一般化する。 具体的には、チャネル内類似度によるウィンドウ予測を重み付け、それらを確率空間に集約し、凸列レベルスコアと説明可能性を示す明確なエビデンストレイルを得る。 提案手法は,競争力のあるiEEG分類性能を実現し,透明性と説明可能性を高める。 本手法を4つの医療センターで収集したiEEG記録で評価し,信頼性・説明可能な臨床変数長時系列分類の可能性を示した。

関連論文リスト

• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Stochastic Sparse Sampling: A Framework for Variable-Length Medical Time Series Classification [9.474649136535705]
  本稿では,医療用VTSCフレームワークであるtextbfS$tochastic $textbfS$parse $textbfS$ampling (SSS)を提案する。 SSSは、固定ウィンドウをわずかにサンプリングし、局所的な予測を計算することで可変長シーケンスを管理し、グローバルな予測を形成するために集約され、校正される。 4つの独立した医療センターから得られた頭蓋内脳波(iEEG)の異種収集であるてんかんiEEG Multicenterデータセットについて検討した。
  論文  参考訳（メタデータ） (2024-10-08T22:48:39Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Learning Beyond Similarities: Incorporating Dissimilarities between Positive Pairs in Self-Supervised Time Series Learning [4.2807943283312095]
  本稿では,正の対間の相似性を統合することで,単なる類似性を超越するSSLアプローチの先駆者となる。 本フレームワークは心電図(ECG)信号に適用され,心房細動(AFib)の検出精度が,多彩な被験者に+10%向上した。
  論文  参考訳（メタデータ） (2023-09-14T08:49:35Z)
• Accounting For Informative Sampling When Learning to Forecast Treatment Outcomes Over Time [66.08455276899578]
  適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。 逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。 本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
  論文  参考訳（メタデータ） (2023-06-07T08:51:06Z)
• Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia [16.949993123698345]
  消化は認知症(PwD)で最も多い症状の1つである。 前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。 本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
  論文  参考訳（メタデータ） (2023-02-07T03:14:00Z)
• Segmentation-Consistent Probabilistic Lesion Counting [3.6513059119482145]
  病変数は、疾患の重症度、患者の予後、治療効果の重要な指標であるが、医療画像の課題として数えられることは、しばしばセグメンテーションを支持するために見過ごされる。 本研究は、病変分割予測と病変数確率分布を一貫した方法でマッピングする、新しい連続微分可能な関数を導入する。
  論文  参考訳（メタデータ） (2022-04-11T17:26:49Z)

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。