論文の概要: DE3S: Dual-Enhanced Soft-Sparse-Shape Learning for Medical Early Time-Series Classification

• arxiv url: http://arxiv.org/abs/2510.12214v1
• Date: Tue, 14 Oct 2025 07:10:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.219655
• Title: DE3S: Dual-Enhanced Soft-Sparse-Shape Learning for Medical Early Time-Series Classification
• Title（参考訳）: DE3S: 医用早期時系列分類のためのソフトスパース形状学習
• Authors: Tao Xie, Zexi Tan, Haoyi Xiao, Binbin Sun, Yiqun Zhang,
• Abstract要約: 医療応用における早期時系列分類(ETSC)は、集中治療単位(ICU)における敗血症予測などの時間感受性シナリオに不可欠である 本稿では,3つのイノベーションを通じて,形状を正確に把握する新しいソフト形状学習フレームワークを提案する。 6つの実世界の医療データセットの実験は、最先端のパフォーマンスを示し、アブレーション研究はコンポーネントの有効性を確認した。
• 参考スコア（独自算出の注目度）: 11.539700200482853
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early time-series classification (ETSC) in medical applications is crucial for time-sensitive scenarios such as sepsis prediction in intensive care units (ICUs), where a large number of deaths are caused by delayed prediction. ETSC can significantly improve ICU resource utilization efficiency and healthcare precision. However, it faces conflicting goals of accuracy and earliness, with existing methods often trading one for the other, struggling to capture subtle early-stage patterns due to weak initial signals and class imbalance. The key to solve these challenges is to find shapelets, which are discriminative subsequences (or shapes) with high interpretability in time-series classification. This paper proposes Dual-Enhanced Soft-Sparse-Shape Learning for Medical Early Time-Series Classification (DE3S), which introduces a novel Dual-Enhanced Soft-Shape Learning framework to figure out shapelets precisely through three innovations: (1) a comprehensive dual-enhancement strategy combines traditional temporal augmentation with attention-based global temporal enhancement for robust representation learning, (2) an attention-score-based soft shapelet sparsification mechanism dynamically preserves discriminative patterns while aggregating less important shapelets into representative tokens, and (3) a dual-path Mixture of Experts Network (MoE) and Inception modules fusion architecture where MoE performs local learning within shapelets and multi-scale Inception modules capture global patterns across shapelets. The framework employs weighted cross-entropy loss for class imbalance handling and demonstrates robustness on subject-consistency datasets. Extensive experiments on six real-world medical datasets show state-of-the-art performance, with ablation studies confirming component efficacy.
• Abstract（参考訳）: 医療応用における早期の時系列分類(ETSC)は、集中治療単位(ICU)における敗血症予測のような時間に敏感なシナリオにおいて重要である。 ETSCはICU資源利用効率と医療精度を大幅に向上させることができる。 しかし、精度と耳障り性の相反する目標に直面しており、既存の手法では、初期信号の弱さと階級不均衡のため、微妙な初期パターンを捉えるのに苦戦している。 これらの課題を解決するための鍵は、時系列分類において高い解釈可能性を持つ識別サブシーケンス(またはシェイプ)であるシェイプレットを見つけることである。 本稿では,従来の時間的拡張と,ロバストな表現学習のための時間的拡張を総合的に組み合わせた総合的デュアルエンハンスメント戦略(Dual-Enhanced Soft-Sparse-Shape Learning for Medical Early Time-Series Classification, DE3S)と,より重要でないシェープレットを代表トークンに集約しながら識別パターンを動的に保存する注目スコアベースのソフトシェイプレットスペーシフィケーション機構(Dual-Sparse-Shape Learning for Medical Early Time-Series Classification, DE3S)と,MoEが局所的なシェイプレット内学習とマルチスケール・インセプション・モジュールの融合アーキテクチャ(Dual-Sparse-Shape Learning Analysis of Experts Network, MOE)を提案する。 このフレームワークは、クラス不均衡処理に重み付けされたクロスエントロピー損失を採用し、主観一貫性データセットにロバスト性を示す。 6つの実世界の医療データセットに対する大規模な実験は、最先端のパフォーマンスを示し、アブレーション研究はコンポーネントの有効性を確認している。

関連論文リスト

• DinoAtten3D: Slice-Level Attention Aggregation of DinoV2 for 3D Brain MRI Anomaly Classification [2.731729370870452]
  医用画像の異常検出と分類は早期診断には重要であるが, 注釈付きデータ, クラス不均衡, 専門家によるラベル付けのコストが高いため, 依然として困難である。 本稿では,3次元画像異常分類に特化して,注目に基づくグローバルアグリゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-15T23:31:40Z)
• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• Flip Learning: Weakly Supervised Erase to Segment Nodules in Breast Ultrasound [40.97115667616978]
  正確なセグメンテーションのために2D/3Dボックスにのみ依存するFlip Learningと呼ばれる新しい学習ベースのWSSフレームワークを導入する。 ボックスからターゲットを消去して分類タグのフリップを容易にするために複数のエージェントが使用され、消去された領域が予測されたセグメンテーションマスクとして機能する。 提案手法は最先端のWSS手法や基礎モデルより優れており,完全教師付き学習アルゴリズムと同等の性能を発揮する。
  論文  参考訳（メタデータ） (2025-03-26T16:20:02Z)
• 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)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• SAITS: Self-Attention-based Imputation for Time Series [6.321652307514677]
  SAITSは時系列における値計算の欠落に対する自己注意機構に基づく新しい手法である。 斜めにマスキングされた2つの自己注意ブロックの重み付けされた組み合わせから、欠落した値を学ぶ。 テストの結果、SAITSは時系列計算タスクにおける最先端の手法を効率よく上回ることが示された。
  論文  参考訳（メタデータ） (2022-02-17T08:40:42Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)

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。