論文の概要: Event Fields: Learning Latent Event Structure for Waveform Foundation Models

• arxiv url: http://arxiv.org/abs/2605.08685v1
• Date: Sat, 09 May 2026 04:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.812078
• Title: Event Fields: Learning Latent Event Structure for Waveform Foundation Models
• Title（参考訳）: イベントフィールド:波形基礎モデルの潜在イベント構造を学習する
• Abstract要約: 本稿では,従来のシーケンスベース表現から外れた新しい波形基礎モデルを提案する。 局所トークンやパッチの集合体として信号を扱うのではなく、臨床的に意味のある構造は、時間的に拡張された相互作用イベントから生じると仮定する。
• 参考スコア（独自算出の注目度）: 2.1975806262371282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a new class of waveform foundation models that departs from conventional sequence based representations by modeling physiological time series as realizations of latent event processes. Rather than treating signals as collections of local tokens or patches, our approach assumes that clinically meaningful structure arises from temporally extended, interacting events whose boundaries and dynamics are not directly observed. To capture this structure, we introduce a self supervised learning framework that enforces consistency across stochastic segmentations and time frequency projections of the same waveform, encouraging representations that are invariant to signal level perturbations while preserving event level organization. The resulting model combines a segmentation aware encoder with a latent interaction operator that captures dependencies among inferred events, and naturally extends to multimodal settings by aligning modalities through shared event representations. Across a range of physiological benchmarks, including arrhythmia classification, hemodynamic prediction, and waveform retrieval, the proposed method improves performance, robustness, and label efficiency relative to strong sequence based baselines. These results suggest that shifting from signal centric to event centric representations provides a more appropriate inductive bias for modeling physiological dynamics and offers a complementary path to scaling foundation models in healthcare.
• Abstract（参考訳）: 本稿では,潜在事象過程の現実化として生理的時系列をモデル化することにより,従来のシーケンスベース表現から逸脱する新たな波形基礎モデルを提案する。 局所的なトークンやパッチの集合として信号を扱うのではなく、臨床的に意味のある構造は、時間的に拡張され、境界やダイナミクスが直接観察されない相互作用イベントから生じると仮定する。 この構造を捉えるために,同波形の確率的セグメンテーションと時間周波数プロジェクションの整合性を強制する自己教師付き学習フレームワークを導入し,イベントレベルの組織を維持しつつ,信号レベル摂動に不変な表現を奨励する。 結果として得られたモデルは、セグメンテーションを意識したエンコーダと、推論されたイベント間の依存関係をキャプチャする潜在相互作用演算子を結合し、共有イベント表現を通じてモダリティを整列することで、自然にマルチモーダル設定に拡張する。 不整脈分類、血行予測、波形検索など、様々な生理的ベンチマークにおいて、提案手法は、強いシーケンスベースラインに対する性能、堅牢性、ラベル効率を改善する。 これらの結果は、信号中心から事象中心の表現へのシフトは、生理学の力学をモデル化するためのより適切な帰納的バイアスをもたらし、医療における基礎モデルを拡張するための補完的な経路をもたらすことを示唆している。

関連論文リスト

• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• Structured Neural Marked Point Processes for Interpretable Event Interaction Modeling [12.453735847515006]
  マルチクラスイベントストリームは多くの実世界のアプリケーションで発生し、構造化され解釈可能なイベント間の関係を明らかにすることは、正確な予測とともに、依然として中心的な課題である。 既存のニューラルポイントプロセスモデルは非常に表現力が高いが、イベントインタラクションをブラックボックス方式でエンコードすることで、構造化された依存関係の明示的な発見を防止する。 本稿では,データからイベント・ワイド・クラス・リレーションシップを明確化しつつ,高いモデリング柔軟性を実現する構造化ニューラルマークポイントプロセス(SNMPP)を提案する。
  論文  参考訳（メタデータ） (2026-05-17T17:56:22Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• BEHAVE: A Hybrid AI Framework for Real-Time Modeling of Collective Human Dynamics [0.0]
  既存のAIシステムは、グループを安定させるか、エスカレーションやブレークダウンに移行するかを判断する集合的ダイナミクスを捉えていない。 相互作用空間上で定義された連続挙動場として集合力学をモデル化する形式的フレームワークであるBEHAVEを紹介する。 再検討された同じ分野は、群衆の安全、危機チームダイナミクス、教育、臨床状況に適用できる。
  論文  参考訳（メタデータ） (2026-05-12T20:32:02Z)
• Continuous Temporal Representations of Event-Based Signals via Interference-Based Wave Modeling [0.0]
  干渉に基づく波動表現に基づく連続時間モデリングフレームワークを提案する。 提案された定式化はイベント駆動バイオシグナーに特に適している。 本手法は,バイオメカニカルシステムにおける下流制御タスクのためのsEMGデータからの学習を支援するように設計されている。
  論文  参考訳（メタデータ） (2026-05-02T06:04:55Z)
• Anchored Variational Inference for Personalized Sequential Latent-State Models [0.0]
  主題固有のランダム効果を持つ逐次潜在変数モデルは、時間的に構造化されたデータをモデル化するための柔軟なフレームワークを提供する。 この設定において,効率的な近似推定のためのアンカー付き変分推論フレームワークを提案する。 後部平均がほぼ最適なアンカー点であり、結果として得られるアンカー付き変分EMアルゴリズムは標準変分推論の局所的単調性挙動をほぼ保っていることを示す。
  論文  参考訳（メタデータ） (2026-04-25T22:02:48Z)
• Smooth embeddings in contracting recurrent networks driven by regular dynamics: A synthesis for neural representation [45.88028371034407]
  最近の実証研究は、訓練された反復モデルにおけるトポロジー保存潜在組織を文書化している。 貯水池計算における最近の理論的結果は、同期写像が埋め込みである条件を確立する。 私たちのコントリビューションは、一般的な同期と、契約型貯水池の埋め込み保証を組み立てる統合フレームワークです。
  論文  参考訳（メタデータ） (2026-01-26T23:10:39Z)
• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Diffusion Action Segmentation [63.061058214427085]
  本稿では,このような反復的洗練の本質的な精神を共用した拡散モデルによる新しい枠組みを提案する。 このフレームワークでは、入力された映像の特徴を条件としてランダムノイズから行動予測を反復的に生成する。
  論文  参考訳（メタデータ） (2023-03-31T10:53:24Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)

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。