論文の概要: Advancing physiological time series reconstruction and imputation via mixture of receptive fields and experts fusion

• arxiv url: http://arxiv.org/abs/2512.07873v2
• Date: Wed, 10 Dec 2025 02:30:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 04:16:52.534694
• Title: Advancing physiological time series reconstruction and imputation via mixture of receptive fields and experts fusion
• Title（参考訳）: 受容野と専門家融合の混合による生理的時系列再構成と計算の促進
• Authors: Ci Zhang, Huayu Li, Changdi Yang, Jiangnan Xia, Yanzhi Wang, Xiaolong Ma, Jin Lu, Geng Yuan,
• Abstract要約: スコアベース拡散フレームワークにおいて,Mixture of Experts(MoE)に基づくノイズ推定器を提案する。 RFAMoEモジュールは拡散過程を通じて各チャネルが所望の受容場を適応的に選択できるように設計されている。 我々は、Fusion MoEモジュールを設計し、MoEモジュールの性質を革新的に活用し、Kノイズ信号を並列に生成し、ルーティング機構を用いてそれらを融合し、単一推論ステップで完全な信号再構成を行う。
• 参考スコア（独自算出の注目度）: 40.98861820195174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies show that using diffusion models for time series signal reconstruction holds great promise. However, such approaches remain largely unexplored in the domain of medical time series. The unique characteristics of the physiological time series signals, such as multivariate, high temporal variability, highly noisy, and artifact-prone, make deep learning-based approaches still challenging for tasks such as imputation. Hence, we propose a novel Mixture of Experts (MoE)-based noise estimator within a score-based diffusion framework. Specifically, the Receptive Field Adaptive MoE (RFAMoE) module is designed to enable each channel to adaptively select desired receptive fields throughout the diffusion process. Moreover, recent literature has found that when generating a physiological signal, performing multiple inferences and averaging the reconstructed signals can effectively reduce reconstruction errors, but at the cost of significant computational and latency overhead. We design a Fusion MoE module and innovatively leverage the nature of MoE module to generate K noise signals in parallel, fuse them using a routing mechanism, and complete signal reconstruction in a single inference step. This design not only improves performance over previous methods but also eliminates the substantial computational cost and latency associated with multiple inference processes. Extensive results demonstrate that our proposed framework consistently outperforms diffusion-based SOTA works on different tasks and datasets.
• Abstract（参考訳）: 近年の研究では、時系列信号再構成に拡散モデルを用いることが大きな可能性を示唆している。 しかし、そのようなアプローチは医学的時系列の領域では未解明のままである。 多変量、高時間変動、高ノイズ、アーティファクトなどの生理的時系列信号の特徴は、深い学習に基づくアプローチを、いまだに計算のようなタスクに挑戦している。 そこで我々は,スコアベース拡散フレームワークにおいて,Mixture of Experts(MoE)に基づくノイズ推定器を提案する。 具体的には、RFAMoE(Receptive Field Adaptive MoE)モジュールは、拡散過程を通して各チャネルが所望の受容野を適応的に選択できるように設計されている。 さらに、最近の文献では、生理的信号を生成する際、複数の推論を実行し、再構成された信号の平均化は、再構成エラーを効果的に低減できるが、計算と遅延のオーバーヘッドがかなり大きい。 我々はFusion MoEモジュールを設計し、MoEモジュールの性質を革新的に活用してKノイズ信号を並列に生成し、ルーティング機構を用いてそれらを融合し、単一推論ステップで完全な信号再構成を行う。 この設計は、従来の手法よりも性能を向上するだけでなく、複数の推論プロセスに関連する計算コストと遅延を大幅に削減する。 その結果,提案するフレームワークは,異なるタスクやデータセット上での拡散型SOTAよりも優れていた。

関連論文リスト

• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• RadioDiff: An Effective Generative Diffusion Model for Sampling-Free Dynamic Radio Map Construction [42.596399621642234]
  無線マップ(RM)は、位置のみに基づいてパスロスを得ることができる有望な技術である。 本稿では, サンプリングフリーのRM構造を条件付き生成問題としてモデル化し, 高品質なRM構造を実現するためにRadioDiffという名前の拡散拡散法を提案する。 実験の結果,提案したRadioDiffは,3つの精度,構造的類似度,ピーク信号対雑音比の3つの指標において,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-08-16T08:02:00Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• A Unified Learning Model for Estimating Fiber Orientation Distribution Functions on Heterogeneous Multi-shell Diffusion-weighted MRI [7.619657591752497]
  拡散強調(DW)MRIは、各ボクセルの局所拡散過程の方向とスケールを、q空間のスペクトルを通して測定する。 近年の微細構造イメージングと多部分解の進展は、信号の放射状b値依存性に新たな注意を喚起している。 単一ステージの球面畳み込みニューラルネットワークを用いて,効率的な繊維配向分布関数推定を行う。
  論文  参考訳（メタデータ） (2023-03-29T00:58:18Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
  本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。 提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)

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。