論文の概要: MEASURE: Multi-scale Minimal Sufficient Representation Learning for Domain Generalization in Sleep Staging

• arxiv url: http://arxiv.org/abs/2510.12070v1
• Date: Tue, 14 Oct 2025 02:20:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.147441
• Title: MEASURE: Multi-scale Minimal Sufficient Representation Learning for Domain Generalization in Sleep Staging
• Title（参考訳）: MEASURE:睡眠時におけるドメイン一般化のためのマルチスケール最小表現学習
• Authors: Sangmin Jo, Jee Seok Yoon, Wootaek Jeong, Kwanseok Oh, Heung-Il Suk,
• Abstract要約: 本稿では,睡眠段階分類に不可欠な時間的・スペクトル的特徴を保ちながら,ドメイン関連情報を効果的に低減する新しいMEASUREフレームワークを提案する。 提案手法は、利用可能な睡眠ステージリングベンチマークデータセットの実験において、常に最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 13.29032553855278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based automatic sleep staging has significantly advanced in performance and plays a crucial role in the diagnosis of sleep disorders. However, those models often struggle to generalize on unseen subjects due to variability in physiological signals, resulting in degraded performance in out-of-distribution scenarios. To address this issue, domain generalization approaches have recently been studied to ensure generalized performance on unseen domains during training. Among those techniques, contrastive learning has proven its validity in learning domain-invariant features by aligning samples of the same class across different domains. Despite its potential, many existing methods are insufficient to extract adequately domain-invariant representations, as they do not explicitly address domain characteristics embedded within the unshared information across samples. In this paper, we posit that mitigating such domain-relevant attributes-referred to as excess domain-relevant information-is key to bridging the domain gap. However, the direct strategy to mitigate the domain-relevant attributes often overfits features at the high-level information, limiting their ability to leverage the diverse temporal and spectral information encoded in the multiple feature levels. To address these limitations, we propose a novel MEASURE (Multi-scalE minimAl SUfficient Representation lEarning) framework, which effectively reduces domain-relevant information while preserving essential temporal and spectral features for sleep stage classification. In our exhaustive experiments on publicly available sleep staging benchmark datasets, SleepEDF-20 and MASS, our proposed method consistently outperformed state-of-the-art methods. Our code is available at : https://github.com/ku-milab/Measure
• Abstract（参考訳）: ディープラーニングに基づく自動睡眠ステージングは、パフォーマンスが著しく向上し、睡眠障害の診断において重要な役割を担っている。 しかし、これらのモデルは生理的信号の変動のため、目に見えない被験者を一般化するのに苦慮し、アウト・オブ・ディストリビューションのシナリオでは性能が低下する。 この問題に対処するために、最近、未確認領域における訓練中の一般化性能を確保するために、ドメイン一般化アプローチが研究されている。 これらの技術の中で、対照的な学習は、異なるドメインにまたがる同じクラスのサンプルを整列させることで、ドメイン不変の特徴を学習する上で、その妥当性を証明している。 その可能性にもかかわらず、多くの既存手法は、サンプルをまたいだ未共有情報に埋め込まれたドメイン特性に明示的に対処しないため、適切にドメイン不変表現を抽出するには不十分である。 本稿では、そのようなドメイン関連属性を過剰なドメイン関連情報として参照することが、ドメインギャップを埋める鍵であると仮定する。 しかし、ドメイン関連属性を緩和する直接的な戦略は、高レベルな情報における機能にしばしば適合し、複数の特徴レベルで符号化された多様な時間的およびスペクトル的な情報を活用する能力を制限する。 これらの制約に対処するため、我々は、睡眠段階分類に不可欠な時間的・スペクトル的特徴を保持しつつ、ドメイン関連情報を効果的に低減する新しいMEASURE(Multi-scalE minimAl SUfficient Representation lEarning)フレームワークを提案する。 利用可能な睡眠ステージリングベンチマークデータセットであるSleepEDF-20とMASSの徹底的な実験では,提案手法は一貫して最先端の手法よりも優れていた。 私たちのコードは、https://github.com/ku-milab/Measureで利用可能です。

関連論文リスト

• What's in a Latent? Leveraging Diffusion Latent Space for Domain Generalization [10.079844840768054]
  ドメインの一般化は、新しい、目に見えないデータ分布に一般化できるモデルを開発することを目的としている。 モデルアーキテクチャと事前学習の目的が機能豊かさに与える影響について検討する。 我々のフレームワークは、最大4%以上のテスト精度向上により、未確認領域への一般化を改善する。
  論文  参考訳（メタデータ） (2025-03-09T17:29:01Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Domain-aware Triplet loss in Domain Generalization [0.0]
  ドメインシフトは、テストとトレーニングデータの分布の相違によって引き起こされる。 ドメイン一般化のためのドメイン認識三重項損失を設計し、モデルが類似のセマンティックな特徴をクラスタリングするのを助ける。 本アルゴリズムは,埋め込み空間におけるドメイン情報を分散するように設計されている。
  論文  参考訳（メタデータ） (2023-03-01T14:02:01Z)
• Normalization Perturbation: A Simple Domain Generalization Method for Real-World Domain Shifts [133.99270341855728]
  実世界のドメインスタイルは環境の変化やセンサノイズによって大きく変化する可能性がある。 深層モデルはトレーニングドメインスタイルしか知らない。 このドメインスタイルのオーバーフィット問題を解決するために,正規化摂動を提案する。
  論文  参考訳（メタデータ） (2022-11-08T17:36:49Z)
• Multi-Domain Long-Tailed Learning by Augmenting Disentangled Representations [80.76164484820818]
  多くの現実世界の分類問題には、避けられない長い尾のクラスバランスの問題がある。 本稿では,この多領域長鎖学習問題について検討し,すべてのクラスとドメインにまたがってよく一般化されたモデルを作成することを目的とする。 TALLYは、選択的均衡サンプリング戦略に基づいて、ある例のセマンティック表現と別の例のドメイン関連ニュアンスを混合することでこれを達成している。
  論文  参考訳（メタデータ） (2022-10-25T21:54:26Z)
• Improving Transferability of Domain Adaptation Networks Through Domain Alignment Layers [1.3766148734487902]
  マルチソースアン教師付きドメイン適応(MSDA)は、ソースモデルの袋から弱い知識を割り当てることで、ラベルのないドメインの予測子を学習することを目的としている。 我々は,DomaIn Alignment Layers (MS-DIAL) のマルチソースバージョンを予測器の異なるレベルに埋め込むことを提案する。 我々の手法は最先端のMSDA法を改善することができ、分類精度の相対利得は+30.64%に達する。
  論文  参考訳（メタデータ） (2021-09-06T18:41:19Z)
• Domain Generalization via Gradient Surgery [5.38147998080533]
  現実のアプリケーションでは、マシンラーニングモデルは、トレーニングとテストドメイン間のデータ分散の変化があるシナリオに直面します。 本研究では,ドメインシフトのシナリオに現れる矛盾する勾配を特徴付けるとともに,新たな勾配合意戦略を考案する。
  論文  参考訳（メタデータ） (2021-08-03T16:49:25Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)

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。