論文の概要: MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification

• arxiv url: http://arxiv.org/abs/2605.24961v1
• Date: Sun, 24 May 2026 09:23:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.547843
• Title: MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification
• Title（参考訳）: MedMamba: 医療時系列分類のための適応型グラフ学習を用いた多視点状態空間モデル
• Authors: Da Zhang, Bingyu Li, Zhiyuan Zhao, Hongyuan Zhang, Junyu Gao, Xuelong Li,
• Abstract要約: 状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。 MedMambaは線形計算複雑性を維持しながら最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 60.41879345743941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical time series are central to healthcare, enabling continuous monitoring and supporting timely clinical decisions. Despite recent progress, existing methods struggle to jointly model local-global dynamics and handle nonstationarities like baseline drift, while often failing to capture latent channel interactions. To address these challenges, we propose MedMamba, an end-to-end architecture that integrates state space models with domain-specific inductive biases. Specifically, MedMamba first employs multi-scale convolutional embeddings to capture discriminative local morphology. Second, to mitigate nonstationarity, we introduce a tri-branch differential state space encoder that processes raw, temporal-difference, and frequency-domain views, fusing them to emphasize informative patterns while suppressing drift. Furthermore, to uncover latent channel correlations, we design a spatial graph Mamba module that learns a directed dependency structure regularized toward sparsity and acyclicity, which obviates the need for predefined graphs. Extensive experiments on five real-world datasets demonstrate that MedMamba achieves state-of-the-art performance while maintaining linear computational complexity, and ablation studies validate each component's contribution.Code is available at https://github.com/zhangda1018/MedMamba.
• Abstract（参考訳）: 医療時系列は医療の中心であり、継続的に監視し、タイムリーな臨床的決定をサポートする。 近年の進歩にもかかわらず、既存の手法は局所的グローバル力学を共同でモデル化し、ベースラインドリフトのような非定常性を扱うのに苦労するが、しばしば遅延チャネルの相互作用を捉えることに失敗する。 これらの課題に対処するために、状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。 具体的には、MedMambaはまず、差別的な局所形態を捉えるために、マルチスケールの畳み込みを用いている。 第二に、非定常性を軽減するために、生、時間差、周波数領域ビューを処理する三分岐微分状態空間エンコーダを導入し、ドリフトを抑えながら情報的パターンを強調する。 さらに、遅延チャネル相関を明らかにするために、空間グラフMambaモジュールを設計し、空間性や非周期性に規則化された有向依存構造を学習し、事前定義されたグラフの必要性を排除した。 5つの実世界のデータセットに対する大規模な実験により、MedMambaは線形計算の複雑さを維持しながら最先端のパフォーマンスを達成し、アブレーション研究によって各コンポーネントのコントリビューションが検証されている。

関連論文リスト

• MedMamba: Recasting Mamba for Medical Time Series Classification [6.852021597208217]
  心電図(ECG)や脳電図(EEG)などの医療時系列は、複雑な時間的ダイナミクスを示す。 本稿では,医療時系列分類に適した,原理駆動型多方向性状態空間アーキテクチャであるMedMambaを提案する。 我々の設計は、空間集中化、多時間的時間的構成、非因果的文脈依存という、生理的信号の3つの重要な帰納的バイアスによって導かれる。
  論文  参考訳（メタデータ） (2026-04-17T01:20:02Z)
• MambaCAFU: Hybrid Multi-Scale and Multi-Attention Model with Mamba-Based Fusion for Medical Image Segmentation [11.967890140626716]
  本稿では,CNN,トランスフォーマー,およびMambaベースのアテンションフュージョン機構を統合した3分岐エンコーダを特徴とするハイブリッドセグメンテーションアーキテクチャを提案する。 マルチスケールアテンションベースのCNNデコーダは、コンテキスト整合性を維持しつつ、きめ細かいセグメンテーションマップを再構成する。 本手法は,計算量に匹敵する複雑性を維持しつつ,精度と一般化において最先端の手法より優れる。
  論文  参考訳（メタデータ） (2025-10-04T11:25:10Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
  状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。 大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。 水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。 本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• DynSTG-Mamba: Dynamic Spatio-Temporal Graph Mamba with Cross-Graph Knowledge Distillation for Gait Disorders Recognition [0.3517488417793045]
  DynTG-Mambaは、DF-STGNNとSTG-Mambaを組み合わせてモーションモデリングを強化する新しいフレームワークである。 DF-STGNNは、骨格関節と時間的相互作用を適応的に調整する動的空間フィルタを組み込んでいる。 マンバの拡張であるSTG-Mambaは、計算コストを削減しつつ、状態の継続的な伝播を保証する。
  論文  参考訳（メタデータ） (2025-03-17T13:26:47Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで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） (2024-08-13T15:21:46Z)
• FetReg: Placental Vessel Segmentation and Registration in Fetoscopy Challenge Dataset [57.30136148318641]
  Fetoscopy Laser Photocoagulation はツイン・ツー・ツイン・トランスフュージョン症候群(TTTS)の治療に広く用いられている治療法である これにより、プロシージャ時間と不完全アブレーションが増加し、持続的なTTTSが生じる可能性がある。 コンピュータ支援による介入は、ビデオモザイクによって胎児の視野を広げ、船体ネットワークのより良い視覚化を提供することによって、これらの課題を克服するのに役立つかもしれない。 本稿では,長期フェトスコープビデオからドリフトフリーモザイクを作成することを目的とした,胎児環境のための汎用的でロバストなセマンティックセマンティックセグメンテーションとビデオモザイクアルゴリズムを開発するための大規模マルチセントデータセットを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:14:27Z)
• Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
  ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。 行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。 学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:10:04Z)

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。