論文の概要: Self-Supervised Dynamical System Representations for Physiological Time-Series

• arxiv url: http://arxiv.org/abs/2512.00239v1
• Date: Fri, 28 Nov 2025 22:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.125636
• Title: Self-Supervised Dynamical System Representations for Physiological Time-Series
• Title（参考訳）: 生理的時系列の自己監督型力学系表現法
• Authors: Yenho Chen, Maxwell A. Xu, James M. Rehg, Christopher J. Rozell,
• Abstract要約: 生理的時系列のための自己教師付き学習(SSL)は、非関連ノイズを除去しながら、基礎となる生理的状態に関する情報を保存するための事前訓練対象の能力に依存する。 本稿では,複数の時系列にまたがる動的システム生成モデルの情報構造を利用した事前学習フレームワークを提案する。 このフレームワークは,類似した時系列サンプル間で共有されるシステムパラメータに関連する生成変数に関する情報を抽出することにより,クラスアイデンティティを効率的に取得できるという,私たちのキーとなる洞察を明らかにする。 PULSEは、生理学的時系列データセットのためのクロスコンストラクションに基づく事前学習対象であり、非参照型サンプルを捨てながら、システム情報を明示的に抽出する。
• 参考スコア（独自算出の注目度）: 24.669317615791343
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The effectiveness of self-supervised learning (SSL) for physiological time series depends on the ability of a pretraining objective to preserve information about the underlying physiological state while filtering out unrelated noise. However, existing strategies are limited due to reliance on heuristic principles or poorly constrained generative tasks. To address this limitation, we propose a pretraining framework that exploits the information structure of a dynamical systems generative model across multiple time-series. This framework reveals our key insight that class identity can be efficiently captured by extracting information about the generative variables related to the system parameters shared across similar time series samples, while noise unique to individual samples should be discarded. Building on this insight, we propose PULSE, a cross-reconstruction-based pretraining objective for physiological time series datasets that explicitly extracts system information while discarding non-transferrable sample-specific ones. We establish theory that provides sufficient conditions for the system information to be recovered, and empirically validate it using a synthetic dynamical systems experiment. Furthermore, we apply our method to diverse real-world datasets, demonstrating that PULSE learns representations that can broadly distinguish semantic classes, increase label efficiency, and improve transfer learning.
• Abstract（参考訳）: 生理的時系列に対する自己教師付き学習(SSL)の有効性は、非関連ノイズを除去しながら、基礎となる生理的状態に関する情報を保存するための事前訓練対象の能力に依存する。 しかし、既存の戦略は、ヒューリスティックな原則や制約の少ない生成タスクに依存しているため、制限されている。 この制限に対処するため,複数の時系列にまたがる動的システム生成モデルの情報構造を利用した事前学習フレームワークを提案する。 このフレームワークは,類似した時系列サンプル間で共有されるシステムパラメータに関連する生成変数に関する情報を抽出することで,クラス識別を効率的に取得できるという重要な知見を明らかにし,個々のサンプルに特有のノイズを排除すべきである。 この知見に基づいて,PULSEを提案する。これは生理学的時系列データセットのためのクロスコンストラクションに基づく事前学習対象であり,非参照可能なサンプル固有データを捨てながら,システム情報を明示的に抽出する。 我々は,システム情報の回復に十分な条件を提供する理論を確立し,それを合成力学系実験を用いて実証的に検証する。 さらに,本手法を実世界の多様なデータセットに適用し,PULSEがセマンティッククラスを広く区別し,ラベルの効率を向上し,伝達学習を改善することを実証した。

関連論文リスト

• rETF-semiSL: Semi-Supervised Learning for Neural Collapse in Temporal Data [44.17657834678967]
  本稿では,ニューラル・コラプス現象を満たす潜在表現を強制する,新しい半教師付き事前学習戦略を提案する。 LSTM, トランスフォーマー, 状態空間モデルに適用した場合, 従来のプリテキストタスクよりも有意に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-13T19:16:47Z)
• Let's do the time-warp-attend: Learning topological invariants of dynamical systems [3.9735602856280132]
  本稿では、動的状態の分類と分岐境界の特徴付けのための、データ駆動型、物理的にインフォームドされたディープラーニングフレームワークを提案する。 超臨界ホップ分岐のパラダイム的ケースに着目し、様々な応用の周期的ダイナミクスをモデル化する。 本手法は, 広範囲な力学系の定性的・長期的挙動に関する貴重な知見を提供し, 大規模物理・生物系における分岐や破滅的な遷移を検出する。
  論文  参考訳（メタデータ） (2023-12-14T18:57:16Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Variational Predictive Routing with Nested Subjective Timescales [1.6114012813668934]
  本稿では,時間的階層に潜む映像の特徴を整理するニューラル推論システムである変動予測ルーティング(PRV)を提案する。 VPRはイベント境界を検出し、時間的特徴を分散させ、データの動的階層に適応し、未来の正確な時間に依存しないロールアウトを生成することができることを示す。
  論文  参考訳（メタデータ） (2021-10-21T16:12:59Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)

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。