論文の概要: Renaissance of RNNs in Streaming Clinical Time Series: Compact Recurrence Remains Competitive with Transformers

• arxiv url: http://arxiv.org/abs/2510.16677v1
• Date: Sun, 19 Oct 2025 00:45:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.09386
• Title: Renaissance of RNNs in Streaming Clinical Time Series: Compact Recurrence Remains Competitive with Transformers
• Title（参考訳）: ストリーミング臨床時系列におけるRNNのルネサンス:小型再帰は変圧器と競合し続けている
• Authors: Ran Tong, Jiaqi Liu, Su Liu, Xin Hu, Lanruo Wang,
• Abstract要約: 我々は,MIT-BIH Arrhythmia Database上で,1秒あたりの心拍数を用いて,医療時系列をストリーミングするための,コンパクトで厳密な因果性ベンチマークを示す。 2つのタスクは、長期の頻拍リスク(次の10秒)と1ステップの心拍数予測という、レコードレベルの非重複分割の下で研究される。
• 参考スコア（独自算出の注目度）: 7.2223905625339455
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a compact, strictly causal benchmark for streaming clinical time series on the MIT--BIH Arrhythmia Database using per-second heart rate. Two tasks are studied under record-level, non-overlapping splits: near-term tachycardia risk (next ten seconds) and one-step heart rate forecasting. We compare a GRU-D (RNN) and a Transformer under matched training budgets against strong non-learned baselines. Evaluation is calibration-aware for classification and proper for forecasting, with temperature scaling and grouped bootstrap confidence intervals. On MIT-BIH, GRU-D slightly surpasses the Transformer for tachycardia risk, while the Transformer clearly lowers forecasting error relative to GRU-D and persistence. Our results show that, in longitudinal monitoring, model choice is task-dependent: compact RNNs remain competitive for short-horizon risk scoring, whereas compact Transformers deliver clearer gains for point forecasting.
• Abstract（参考訳）: 我々は,MIT-BIH Arrhythmia Database上で,1秒あたりの心拍数を用いて,医療時系列をストリーミングするための,コンパクトで厳密な因果性ベンチマークを示す。 2つのタスクは、長期の頻拍リスク(次の10秒)と1ステップの心拍数予測という、レコードレベルの非重複分割の下で研究される。 GRU-D(RNN)とTransformerを一致したトレーニング予算の下で、強力な非学習ベースラインと比較する。 評価は分類と予測に適しており、温度スケーリングとグループ化ブートストラップ信頼区間がある。 MIT-BIHでは、GRU-Dは頻拍リスクに対してTransformerをわずかに上回り、TransformerはGRU-Dと永続性に対する予測エラーを明らかに低下させる。 その結果, モデル選択はタスク依存であり, コンパクトなRNNは短期的リスクスコアの競争力を維持する一方, コンパクトなトランスフォーマーはポイント予測においてより明確なゲインを提供することがわかった。

関連論文リスト

• Scalable, Explainable and Provably Robust Anomaly Detection with One-Step Flow Matching [14.503330877000758]
  Time-Conditioned Contraction Matching is a novel method for semi-supervised anomaly detection in tabular data。 これは、確率分布間の速度場を学習する最近の生成モデリングフレームワークであるフローマッチングにインスパイアされている。 ADBenchベンチマークの大規模な実験により、TCCMは検出精度と推論コストのバランスが良好であることが示されている。
  論文  参考訳（メタデータ） (2025-10-21T06:26:38Z)
• Still Competitive: Revisiting Recurrent Models for Irregular Time Series Prediction [0.9883261192383609]
  GRUwE:指数基底関数付きGated Recurrent Unitを提案する。 GRUwEは、レグレッションベースの予測とイベントベースの予測の両方を連続的にサポートする。
  論文  参考訳（メタデータ） (2025-10-17T19:04:16Z)
• Unsupervised Detection of Spatiotemporal Anomalies in PMU Data Using Transformer-Based BiGAN [0.0]
  T-BiGANは、双方向生成逆数ネットワーク(BiGAN)内でウィンドウアテンション変換を行うフレームワークである。 エンコーダデコーダはアーキテクチャをキャプチャし、識別器はサイクル整合性を適用して遅延空間を真のデータ分布と整合させる。 異常は、再構成誤差、潜時空間ドリフト、判別器の信頼性を組み合わせた適応スコアを用いてリアルタイムでフラグ付けされる。
  論文  参考訳（メタデータ） (2025-09-30T00:16:35Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [74.56971641937771]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting [4.140149411004857]
  RDITは、点推定と残差に基づく条件拡散と双方向のMambaネットワークを組み合わせたプラグアンドプレイフレームワークである。 RDITは, 強いベースラインに比べてCRPSの低下, 高速推論, カバレッジの向上を実現している。
  論文  参考訳（メタデータ） (2025-09-02T14:06:29Z)
• Efficient Qubit Calibration by Binary-Search Hamiltonian Tracking [18.54622697112264]
  我々は、共振駆動キュービットの周波数を調整するためのリアルタイムプロトコルを提案、実験的に実装する。 フラックス可変トランスモン量子ビットを安定化することにより,コヒーレンスとゲートの忠実度を向上させるアルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2025-01-09T17:18:38Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• A Novel Approach for Classification and Forecasting of Time Series in Particle Accelerators [52.77024349608834]
  高強度陽子加速器複合体におけるビーム時間損失を低減するために,新しい時系列分類手法を適用した。 ROC曲線値が0.71 pm 0.01$のエリアに到達し、ランダムフォレストモデルの0.65 pm 0.01$と比較した。
  論文  参考訳（メタデータ） (2021-02-01T11:53:14Z)
• Rethinking Transformer-based Set Prediction for Object Detection [57.7208561353529]
  実験の結果,提案手法は元のDETRよりもはるかに高速に収束するだけでなく,検出精度の点でDTRや他のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2020-11-21T21:59:42Z)

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。