論文の概要: BioFormer: Rethinking Cross-Subject Generalization via Spectral Structural Alignment in Biomedical Time-Series
- arxiv url: http://arxiv.org/abs/2605.22468v2
- Date: Tue, 26 May 2026 12:52:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:40.964277
- Title: BioFormer: Rethinking Cross-Subject Generalization via Spectral Structural Alignment in Biomedical Time-Series
- Title（参考訳）: BioFormer: バイオメディカルタイムシリーズにおけるスペクトル構造アライメントによるクロスオブジェクト一般化の再考
- Authors: Guikang Du, Haoran Li, Xinyu Liu, Zhibo Zhang, Xiaoli Gong, Jin Zhang,
- Abstract要約: バイオメディカル・タイムシリーズにおけるクロスオブジェクトの一般化(クロスオブジェクト・ジェネレーション)とは、一部の被験者のデータをトレーニングし、見えない被験者をテストすることを指す。
既存の手法のほとんどは、モデル構築や主観的対人学習を通じて、変動を暗黙的に抑制する。
スペクトルドリフトは,主観的変動を特徴付ける新しい視点として導入される。
- 参考スコア（独自算出の注目度）: 16.772848090165287
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-subject generalization in biomedical time-series refers to training on data from some subjects and testing on unseen subjects.The key challenge is to suppress subject specific variability in BTS representations.Most existing methods implicitly suppress the variability through model building or subject adversarial learning, but rarely model it explicitly.We introduce spectral drift as a new perspective to characterize subject specific variability.Specifically, BTS signals under the same label often share consistent oscillatory structure, yet exhibit subject-dependent magnitude or phase shifts in specific frequency components, which we interpret as subject-specific variability. Building on this insight, we propose BioFormer.At its core is a Frequency-Band Alignment Module(FBAM) that generates band-wise modulation factors from the spectral distribution and adaptively adjusts amplitude and phase to align spectral structure, thereby mitigating variability.We further pair FBAM with Sample Conditional Layer Normalization, which infers normalization parameters from intrinsic signal statistics rather than subject identity, stabilizing cross-subject representations.Extensive experiments on six datasets demonstrate that BioFormer outperforms 12 baselines, yielding absolute F1-score improvements of 6%.
- Abstract（参考訳）: バイオメディカル・タイムシリーズにおけるクロスオブジェクトの一般化は、ある被験者のデータをトレーニングし、未確認の被験者を検査することを指すが、重要な課題は、BTS表現における主観的変動を抑えることであり、既存の手法は、モデル構築や主観的対立学習を通じて暗黙的に変動を抑制するが、それを明確にモデル化することは滅多にない。
そこで本研究では、スペクトル分布から帯域幅変調係数を生成し、振幅と位相を適応的に調整してスペクトル構造を調整し、可変性を緩和するFBAMを、主観的同一性よりも内在的な信号統計から正規化パラメータを推定するサンプル条件層正規化と組み合わせ、クロスオブジェクト表現を安定化する6つのデータセットでの実験により、BBAMは12のベースラインを上回り、絶対的なF1スコア改善をもたらすことを示した。
関連論文リスト
- PHAT: Modeling Period Heterogeneity for Multivariate Time Series Forecasting [30.347634829157766]
実世界のデータの周期性をモデル化するためのPHAT(Period Heterogeneity-Aware Transformer)を提案する。
バケット内の相互作用を制限し、クロスバケット接続をマスキングすることにより、PHATは一貫性のない期間からの干渉を効果的に回避する。
実世界の14のデータセットのPHATを18のベースラインに対して評価し,既存の手法よりも有意に優れていることを示した。
論文 参考訳（メタデータ） (2026-01-31T10:58:09Z) - FADTI: Fourier and Attention Driven Diffusion for Multivariate Time Series Imputation [26.523421387059035]
本稿では,FBP(Fourier Bias Projection)モジュールを介して周波数インフォームド特徴変調を注入する拡散型フレームワークであるFADTIを提案する。
新たに導入された生物学的時系列データセットを含む複数のベンチマークの実験は、FADTIが一貫して最先端の手法より優れていることを示している。
論文 参考訳（メタデータ） (2025-12-17T06:16:31Z) - Structured Spectral Reasoning for Frequency-Adaptive Multimodal Recommendation [13.886659472425393]
マルチモーダルレコメンデーションは、視覚情報やテキスト情報などの異種コンテンツと協調的な信号を統合することを目的としている。
これらの問題は、しばしば単純融合や浅いモデリング戦略によって悪化し、一般化の低下とロバスト性の低下につながる。
周波数対応マルチモーダルレコメンデーションのための構造化スペクトル推論フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-01T07:39:28Z) - FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。
本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。
FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
論文 参考訳（メタデータ） (2025-11-26T08:36:33Z) - 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) - FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。
本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。
FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
論文 参考訳（メタデータ） (2025-05-29T07:18:28Z) - MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
時系列予測は、周波数の異なる周期特性から導かれる。
マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。
主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-03-11T11:40:14Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Towards Diverse and Coherent Augmentation for Time-Series Forecasting [22.213927377926804]
時系列データの増大は、ディープラーニングモデルのトレーニングデータ不足の問題を緩和する。
我々は、より多種多様なコヒーレントなサンプルを生成するために、スペクトルと時間拡張を組み合わせることを提案する。
5つの実世界の時系列データセットの実験では、STAugがデータ拡張なしでベースモデルより優れていることが示されている。
論文 参考訳（メタデータ） (2023-03-24T19:40:34Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳（メタデータ） (2021-03-18T11:01:21Z) - Mixed Variable Bayesian Optimization with Frequency Modulated Kernels [96.78099706164747]
異なる種類の変数間の依存性を柔軟にモデリングする周波数変調(FM)カーネルを提案する。
BO-FMは正規化進化(RE)およびBOHBを含む競争相手を上回ります。
論文 参考訳（メタデータ） (2021-02-25T11:28:46Z)
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。