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

• arxiv url: http://arxiv.org/abs/2510.12214v2
• Date: Wed, 05 Nov 2025 14:23:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.143877
• 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: ETSCは敗血症などの時間に敏感な医療応用において重要である。 正確さとイヤーラインの間には、本質的にトレードオフがある。 我々はこれらの課題を克服するためのフレームワークである textbfDE3S を提案する。
• 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) is critical in time-sensitive medical applications such as sepsis, yet it presents an inherent trade-off between accuracy and earliness. This trade-off arises from two core challenges: 1) models should effectively model inherently weak and noisy early-stage snippets, and 2) they should resolve the complex, dual requirement of simultaneously capturing local, subject-specific variations and overarching global temporal patterns. Existing methods struggle to overcome these underlying challenges, often forcing a severe compromise: sacrificing accuracy to achieve earliness, or vice-versa. We propose \textbf{DE3S}, a \textbf{D}ual-\textbf{E}nhanced \textbf{S}oft-\textbf{S}parse \textbf{S}equence Learning framework, which systematically solves these challenges. A dual enhancement mechanism is proposed to enhance the modeling of weak, early signals. Then, an attention-based patch module is introduced to preserve discriminative information while reducing noise and complexity. A dual-path fusion architecture is designed, using a sparse mixture of experts to model local, subject-specific variations. A multi-scale inception module is also employed to capture global dependencies. Experiments on six real-world medical datasets show the competitive performance of DE3S, particularly in early prediction windows. Ablation studies confirm the effectiveness of each component in addressing its targeted challenge. The source code is available \href{https://github.com/kuxit/DE3S}{\textbf{here}}.
• Abstract（参考訳）: 早期時系列分類(ETSC)は、敗血症などの時間に敏感な医学的応用において重要であるが、精度とイヤーラインの間には固有のトレードオフが存在する。 このトレードオフは2つの主要な課題から生じます。 1)モデルは本質的に弱くノイズの多い初期段階スニペットを効果的にモデル化し、 2) 局所的, 主題特異的な変動を同時に把握し, 大域的時間的パターンを網羅する, 複雑で二重的な要件を解決すべきである。 既存の手法は、これらの根本的な課題を克服するのに苦労し、しばしば深刻な妥協を迫られる。 本稿では,これらの課題を体系的に解決する,textbf{D}ual-\textbf{E}nhanced \textbf{S}oft-\textbf{S}parse \textbf{S}equence Learning frameworkを提案する。 弱い初期信号のモデリングを強化するために, 二重拡張機構を提案する。 そして、ノイズや複雑さを低減しつつ、識別情報を保存するために注意ベースのパッチモジュールを導入する。 デュアルパス融合アーキテクチャは、局所的、主題固有のバリエーションをモデル化するために、専門家のまばらな混合を用いて設計されている。 グローバルな依存関係をキャプチャするために、マルチスケールのインセプションモジュールも使用されている。 6つの実世界の医療データセットの実験は、特に早期予測ウィンドウにおけるDEC3Sの競合性能を示している。 アブレーション研究は、対象とする課題に対処する上で、各コンポーネントの有効性を検証する。 ソースコードは \href{https://github.com/kuxit/DE3S}{\textbf{here}} で入手できる。

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。