論文の概要: Towards Multi-Source Domain Generalization for Sleep Staging with Noisy Labels

• arxiv url: http://arxiv.org/abs/2604.10009v1
• Date: Sat, 11 Apr 2026 03:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.789873
• Title: Towards Multi-Source Domain Generalization for Sleep Staging with Noisy Labels
• Title（参考訳）: ノイズラベルを用いた睡眠時効のためのマルチソースドメイン一般化に向けて
• Authors: Kening Wang, Di Wen, Yufan Chen, Ruiping Liu, Junwei Zheng, Jiale Wei, Kailun Yang, Rainer Stiefelhagen, Kunyu Peng,
• Abstract要約: 既存の雑音ラベル学習手法は、ドメインシフトやラベルノイズ共存時に大幅に劣化することを示す。 JTF-ELR(Joint Time-Frequency Early Learning Regularization)を提案する。 実験は、様々な対称性と非対称な雑音設定の下で、一貫した最先端性能を示す。
• 参考スコア（独自算出の注目度）: 41.9206371586353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic sleep staging is a multimodal learning problem involving heterogeneous physiological signals such as EEG and EOG, which often suffer from domain shifts across institutions, devices, and populations. In practice, these data are also affected by noisy annotations, yet label-noise-robust multi-source domain generalization remains underexplored. We present the first benchmark for Noisy Labels in Multi-Source Domain-Generalized Sleep Staging (NL-DGSS) and show that existing noisy-label learning methods degrade substantially when domain shifts and label noise coexist. To address this challenge, we propose FF-TRUST, a domain-invariant multimodal sleep staging framework with Joint Time-Frequency Early Learning Regularization (JTF-ELR). By jointly exploiting temporal and spectral consistency together with confidence-diversity regularization, FF-TRUST improves robustness under noisy supervision. Experiments on five public datasets demonstrate consistent state-of-the-art performance under diverse symmetric and asymmetric noise settings. The benchmark and code will be made publicly available at https://github.com/KNWang970918/FF-TRUST.git.
• Abstract（参考訳）: 自動睡眠ステージング(英: Automatic sleep staging)は、脳波やEOGのような不均一な生理的信号を含む多モード学習問題であり、しばしば組織、デバイス、人口間のドメインシフトに悩まされる。 実際には、これらのデータはノイズの多いアノテーションにも影響されるが、ラベル付きローバストなマルチソースドメインの一般化は未検討のままである。 NL-DGSS(Multi-Source Domain-Generalized Sleep Staging)におけるノイズラベルの最初のベンチマークを行い、ドメインシフトやラベルノイズ共存時に既存のノイズラベル学習手法が大幅に劣化することを示す。 この課題に対処するために,JTF-ELR(Joint Time-Frequency Early Learning Regularization)を用いたドメイン不変マルチモーダル睡眠ステージングフレームワークFF-TRUSTを提案する。 FF-TRUSTは、時間的・スペクトル的な一貫性と信頼性の多様性の正則化を併用することにより、ノイズの多い監視下で頑健性を向上させる。 5つの公開データセットの実験は、様々な対称的および非対称的なノイズ設定の下で、一貫した最先端性能を示す。 ベンチマークとコードはhttps://github.com/KNWang970918/FF-TRUST.gitで公開される。

関連論文リスト

• Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
  マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。 提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-12T03:14:12Z)
• EReLiFM: Evidential Reliability-Aware Residual Flow Meta-Learning for Open-Set Domain Generalization under Noisy Labels [85.78886153628663]
  Open-Set Domain Generalizationは、ディープラーニングモデルが新しいドメインで目に見えないカテゴリを認識できるようにすることを目的としている。 ラベルノイズは、ソースドメインの知識を損なうことによって、オープンセットドメインの一般化を妨げる。 本稿では,ドメインギャップを埋めるために,Evidential Reliability-Aware Residual Flow Meta-Learning (EReLiFM)を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:23:11Z)
• MEASURE: Multi-scale Minimal Sufficient Representation Learning for Domain Generalization in Sleep Staging [13.29032553855278]
  本稿では,睡眠段階分類に不可欠な時間的・スペクトル的特徴を保ちながら,ドメイン関連情報を効果的に低減する新しいMEASUREフレームワークを提案する。 提案手法は、利用可能な睡眠ステージリングベンチマークデータセットの実験において、常に最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-10-14T02:20:50Z)
• Source-Free Cross-Domain Continual Learning [10.156053708425711]
  リハーサルのない周波数対応動的プロンプトコラボレーション(REFEREE)を提案し、クロスドメイン連続学習の領域におけるラベル付きソースドメインサンプルの欠如に対処する。 REFEREEはソース事前学習モデルと大規模視覚言語モデルとの相乗効果に基づいて構築される。
  論文  参考訳（メタデータ） (2025-10-02T04:09:25Z)
• Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram [6.62414474989199]
  スペクトル領域にファジィクラスタリングフレームワークを導入し、変数間の周波数特異なモノトニックな関係を抽出する。 本手法は、クラスタリング精度を向上させるために、周波数ベースのクロスリージョン接続パターンを優先的に活用する。 フラッグシップアプリケーションとして脳波記録を解析し,潜在認知状態の周波数・接続性特異的マーカーを明らかにする。
  論文  参考訳（メタデータ） (2025-06-28T12:02:01Z)
• Generalizable Multispectral Land Cover Classification via Frequency-Aware Mixture of Low-Rank Token Experts [22.75047167955269]
  マルチスペクトル土地被覆分類(MLCC)の新しいアプローチであるLand-MoEを紹介する。 Land-MoEは、低ランクトークンエキスパート(MoLTE)と周波数認識フィルタ(FAF)の2つの重要なモジュールから構成される。
  論文  参考訳（メタデータ） (2025-05-20T08:52:28Z)
• Label-Noise Robust Diffusion Models [18.82847557713331]
  条件拡散モデルは、様々な生成タスクにおいて顕著な性能を示した。 訓練には、条件付き入力でしばしばノイズを含む大規模なデータセット、すなわちノイズラベルが必要である。 本稿では,雑音ラベル付き条件付き拡散モデルの学習のための遷移対応重み付きDenoising Score Matchingを提案する。
  論文  参考訳（メタデータ） (2024-02-27T14:00:34Z)
• FedNoisy: Federated Noisy Label Learning Benchmark [53.73816587601204]
  フェデレーション学習は、クライアントからの機密データを集約することなく、分散学習で人気を集めている。 データ分離の分散と分離の性質は、データ品質によって複雑になり、ノイズの多いラベルに対してより脆弱になる可能性がある。 私たちは、研究者が潜在的にフェデレートされたノイズ設定を十分に調査するのに役立つ、最初の標準ベンチマークを提供しています。
  論文  参考訳（メタデータ） (2023-06-20T16:18:14Z)

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。