論文の概要: NAP: Attention-Based Late Fusion for Automatic Sleep Staging

• arxiv url: http://arxiv.org/abs/2511.03488v1
• Date: Wed, 05 Nov 2025 14:15:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.443812
• Title: NAP: Attention-Based Late Fusion for Automatic Sleep Staging
• Title（参考訳）: NAP: 自動睡眠停止のための注意型レイトフュージョン
• Authors: Alvise Dei Rossi, Julia van der Meer, Markus H. Schmidt, Claudio L. A. Bassetti, Luigi Fiorillo, Francesca Faraci,
• Abstract要約: NAPは、時間的、空間的、および予測的レベルの依存関係をキャプチャする3軸アテンションメカニズムを用いて、複数の予測ストリームを組み合わせることを学ぶアテンションベースモデルである。 NAPは個々の予測器と単純なアンサンブルを一貫して上回り、複数のデータセットで最先端のゼロショットの一般化を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Polysomnography signals are highly heterogeneous, varying in modality composition (e.g., EEG, EOG, ECG), channel availability (e.g., frontal, occipital EEG), and acquisition protocols across datasets and clinical sites. Most existing models that process polysomnography data rely on a fixed subset of modalities or channels and therefore neglect to fully exploit its inherently multimodal nature. We address this limitation by introducing NAP (Neural Aggregator of Predictions), an attention-based model which learns to combine multiple prediction streams using a tri-axial attention mechanism that captures temporal, spatial, and predictor-level dependencies. NAP is trained to adapt to different input dimensions. By aggregating outputs from frozen, pretrained single-channel models, NAP consistently outperforms individual predictors and simple ensembles, achieving state-of-the-art zero-shot generalization across multiple datasets. While demonstrated in the context of automated sleep staging from polysomnography, the proposed approach could be extended to other multimodal physiological applications.
• Abstract（参考訳）: ポリソノグラフィー信号は多種多様であり、モダリティの組成(例えば、EEG、EOG、ECG)、チャネルの可利用性(例えば、前頭葉、後頭葉のEEG)、およびデータセットや臨床現場間での取得プロトコルに変化がある。 ポリソノグラフィーデータを処理する既存のモデルのほとんどは、モダリティやチャネルの固定されたサブセットに依存しているため、本質的にはマルチモーダルの性質を完全に活用することを無視している。 NAP(Neural Aggregator of Predictions)は,時間的・空間的・予測レベルの依存関係をキャプチャする3軸アテンション機構を用いて,複数の予測ストリームを組み合わせて学習するアテンションベースモデルである。 NAPは異なる入力次元に適応するように訓練されている。 凍結された事前訓練された単一チャネルモデルからの出力を集約することにより、NAPは個々の予測器と単純なアンサンブルを一貫して上回り、複数のデータセットにわたって最先端のゼロショット一般化を達成する。 ポリソノグラフィーによる自動睡眠ステージングの文脈で実証されているが、提案手法は他のマルチモーダル生理的応用にも拡張できる可能性がある。

関連論文リスト

• Scalable inference of functional neural connectivity at submillisecond timescales [5.7463683981235185]
  Poisson Generalized Linear Model (GLM)は、ニューラルスパイクトレインデータを分析するツールである。 標準実装では、スパイクタイムをバイナリカウントデータに離散化し、時間分解能とスケーラビリティを制限している。 ここではモンテカルロ法(MC)法と近似法(PA)をこれらのモデルの連続的時間的類似に対して開発し,それらの離散的時間的類似よりも有利であることを示す。
  論文  参考訳（メタデータ） (2025-10-23T19:53:00Z)
• Introducing Multimodal Paradigm for Learning Sleep Staging PSG via General-Purpose Model [25.949760386728354]
  睡眠ステージングは、睡眠障害を診断し、神経学的健康を評価するために不可欠である。 既存の自動手法は、一般的に複雑なポリソノグラフィ(PSG)信号から特徴を抽出し、ドメイン固有のモデルを訓練する。 臨床診断の実践をエミュレートするために,大規模な多モード汎用モデルを活用する睡眠ステージングの新しいパラダイムを導入する。
  論文  参考訳（メタデータ） (2025-09-26T18:14:43Z)
• Neural Bridge Processes [21.702709965353804]
  本稿では,入力xが拡散軌道全体の動的アンカーとして機能する関数をモデル化する手法を提案する。 合成データ,脳波信号レグレッション,画像レグレッションタスクにおいてNBPを検証し,ベースラインよりも大幅に改善した。
  論文  参考訳（メタデータ） (2025-08-10T07:44:52Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Towards Robust Multimodal Physiological Foundation Models: Handling Arbitrary Missing Modalities [9.785262633953794]
  生理オムニ (Phylo Omni) は、マルチモーダルな生理的信号解析の基礎モデルである。 分離されたマルチモーダル・トークンーザを訓練し、マスクされた信号の事前訓練を可能にする。 最先端のパフォーマンスを達成しつつ、モダリティの欠如に対して強い堅牢性を維持します。
  論文  参考訳（メタデータ） (2025-04-28T09:00:04Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• PAC Reinforcement Learning for Predictive State Representations [60.00237613646686]
  部分的に観察可能な力学系におけるオンライン強化学習(RL)について検討する。 我々は、他のよく知られたモデルをキャプチャする表現モデルである予測状態表現(PSR)モデルに焦点を当てる。 我々は,サンプル複雑性のスケーリングにおいて,ほぼ最適なポリシを学習可能な,PSRのための新しいモデルベースアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-12T17:57:17Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)

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。