論文の概要: Signal Intensity-weighted coordinate channels improve learning stability and generalisation in 1D and 2D CNNs in localisation tasks on biomedical signals

• arxiv url: http://arxiv.org/abs/2511.03645v1
• Date: Wed, 05 Nov 2025 17:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.500211
• Title: Signal Intensity-weighted coordinate channels improve learning stability and generalisation in 1D and 2D CNNs in localisation tasks on biomedical signals
• Title（参考訳）: 信号強度重み付き座標チャネルは、生体信号の局所化タスクにおける1Dおよび2D CNNの学習安定性と一般化を改善する
• Authors: Vittal L. Rao,
• Abstract要約: バイオメディカルデータにおける局所化タスクは、複雑な強度分布を持つ信号から意味のある関係を学習するモデルを必要とすることが多い。 信号強度重み付けされた座標表現を,局所的な信号強度によって拡張されたチャネルに置き換える。 この修正は入力表現に直接強度配置結合を埋め込み、単純かつモダリティに依存しない帰納バイアスを導入する。
• 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: Localisation tasks in biomedical data often require models to learn meaningful spatial or temporal relationships from signals with complex intensity distributions. A common strategy, exemplified by CoordConv layers, is to append coordinate channels to convolutional inputs, enabling networks to learn absolute positions. In this work, we propose a signal intensity-weighted coordinate representation that replaces the pure coordinate channels with channels scaled by local signal intensity. This modification embeds an intensity-position coupling directly in the input representation, introducing a simple and modality-agnostic inductive bias. We evaluate the approach on two distinct localisation problems: (i) predicting the time of morphological transition in 20-second, two-lead ECG signals, and (ii) regressing the coordinates of nuclear centres in cytological images from the SiPaKMeD dataset. In both cases, the proposed representation yields faster convergence and higher generalisation performance relative to conventional coordinate-channel approaches, demonstrating its effectiveness across both one-dimensional and two-dimensional biomedical signals.
• Abstract（参考訳）: バイオメディカルデータにおける局所化タスクは、複雑な強度分布を持つ信号から意味のある空間的または時間的関係を学習するモデルを必要とすることが多い。 CoordConvレイヤが示す一般的な戦略は、畳み込み入力に座標チャネルを追加することで、ネットワークが絶対位置を学習できるようにすることである。 本研究では,信号強度重み付き座標表現を,局所的な信号強度で拡張されたチャネルに置き換える手法を提案する。 この修正は入力表現に直接強度配置結合を埋め込み、単純かつモダリティに依存しない帰納バイアスを導入する。 2つの異なるローカライゼーション問題に対するアプローチを評価する。 (i)20秒2誘導心電図信号における形態的遷移の時刻を予測し、 (II)SiPaKMeDデータセットからの細胞画像中の核中心の座標を回帰する。 どちらの場合も、提案した表現は、従来の座標チャネルアプローチと比較して、より高速な収束とより高度な一般化性能を示し、その効果を1次元および2次元の生医学的信号の両方にわたって示す。

関連論文リスト

• Multimodal signal fusion for stress detection using deep neural networks: a novel approach for converting 1D signals to unified 2D images [0.0]
  本研究では,マルチモーダルな信号光胸腺撮影,ガルバニック皮膚反応(GSR),アクセラレーション(ACC)を2次元画像行列に変換する新しい手法を提案する。 これらの信号を別々に処理したり、固定符号化に依存したりする従来の手法とは異なり、我々の手法はそれらを構造化画像表現に融合させる。 この画像ベースの変換は、解釈可能性を改善するだけでなく、データ拡張の堅牢な形式としても機能する。
  論文  参考訳（メタデータ） (2025-09-17T02:18:51Z)
• Spatial Imputation Drives Cross-Domain Alignment for EEG Classification [7.6720662100576895]
  本稿では,新しいチャネル依存型マスクと命令型自己教師型フレームワークであるIMACを紹介する。 IMACは、空間時系列計算タスクとしてクロスドメインデータシフトのアライメントを定式化する。 公開されている10のEEGデータセットに対する総合的な評価は、IMACの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-08-05T13:28:05Z)
• Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
  本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。 空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-06-24T00:56:21Z)
• Biaxialformer: Leveraging Channel Independence and Inter-Channel Correlations in EEG Signal Decoding for Predicting Neurological Outcomes [1.7656489005289302]
  脳波信号の正確な復号には、個々のチャネル内の時間的ダイナミクスとチャネル間の空間的依存関係の両方をモデル化する必要がある。 チャネル独立性(CI)戦略を利用したトランスフォーマーベースモデルは,様々な時系列タスクにおいて高い性能を示した。 本稿では,2段階の注意に基づくフレームワークを巧みに設計したBiformerを提案する。
  論文  参考訳（メタデータ） (2025-06-18T11:47:26Z)
• SinBasis Networks: Matrix-Equivalent Feature Extraction for Wave-Like Optical Spectrograms [8.37266944852829]
  フラットな入力上での線形変換として、畳み込みと注意を再解釈する統一的行列等価フレームワークを提案する。 これらの変換をCNN、ViT、Capsuleアーキテクチャに埋め込むことで、Sin-Basis Networksは周期的なモチーフに対する感度を高めることができる。
  論文  参考訳（メタデータ） (2025-05-06T16:16:42Z)
• EHGCN: Hierarchical Euclidean-Hyperbolic Fusion via Motion-Aware GCN for Hybrid Event Stream Perception [57.54227977352417]
  イベントカメラは、知覚タスクのための高速なイベントストリームを出力する。 ユークリッド空間と双曲空間の両方においてイベントストリームを知覚するためのEHGCNという新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-23T11:01:03Z)
• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
  Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。 DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。 DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Early warning indicators via latent stochastic dynamical systems [0.0]
  我々は、低次元多様体の潜在進化力学を捉える異方性拡散写像を開発する。 3つの効果的な警告信号は、潜時座標と潜時力学系によって導出される。 我々の早期警戒指標は状態遷移中の先端を検出することができることがわかった。
  論文  参考訳（メタデータ） (2023-09-07T16:55:33Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Semi-Supervised Learning for Channel Charting-Aided IoT Localization in Millimeter Wave Networks [97.66522637417636]
  ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。 特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。 フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
  論文  参考訳（メタデータ） (2021-08-03T14:41:38Z)

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。