論文の概要: CoMetaPNS: Continually Meta-learning Personalized Neural Surrogates for Cardiac Electrophysiology Simulations

• arxiv url: http://arxiv.org/abs/2606.07488v1
• Date: Fri, 05 Jun 2026 17:44:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.874849
• Title: CoMetaPNS: Continually Meta-learning Personalized Neural Surrogates for Cardiac Electrophysiology Simulations
• Title（参考訳）: CoMetaPNS:心臓電気生理学的シミュレーションのためのメタラーニング型パーソナライズドニューラルサロゲート
• Authors: Ryan Missel, Xiajun Jiang, Linwei Wang,
• Abstract要約: 本稿では、パーソナライズされたニューラルサロゲートを実現するための、新しい連続メタラーニングフレームワークを提案する。 我々のフレームワークは、効果的なメタ学習に必要な、時間とともにデータの識別子と関係を推測することができる。
• 参考スコア（独自算出の注目度）: 14.60558777702866
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Personalized virtual heart simulations face challenges in model personalization and computational cost. While neural surrogates offer state-of-the-art solutions, they typically address either efficient personalization or training generalizable models. Recent work reframes this by learning the process of personalizing a surrogate using limited subject-specific context data, through few-shot generative modeling with set-conditioned surrogates and meta-learned amortized inference. These methods, however, assume a static and diverse training distribution with known task identifiers. When new data becomes available, they require costly retraining with all prior data to avoid catastrophic forgetting - a phenomena where the model forgets earlier tasks when trained on new ones. This is a major limitation in clinical settings where often unlabeled data arrives sequentially and full retraining is infeasible. This paper presents a new continual meta-learning framework to achieve personalized neural surrogates able to not only continually integrate information but also identify whether incoming data stems from a known or unknown dynamics source. By leveraging a continual Bayesian Gaussian Mixture Model over a memory buffer, our framework can infer the identifiers and relationships of data over time - required for effective meta-learning. Empirical results on synthetic cardiac data demonstrate superior simulation forecasting, computational scalability, and resilience to catastrophic forgetting compared to existing baselines.
• Abstract（参考訳）: パーソナライズされた仮想心臓シミュレーションは、モデルパーソナライゼーションと計算コストの課題に直面している。 ニューラルサロゲートは最先端のソリューションを提供するが、通常は効率的なパーソナライズまたは一般化可能なモデルのトレーニングに対処する。 最近の研究は、限られた主題固有の文脈データを用いてサロゲートをパーソナライズする過程を学習し、設定条件付きサロゲートとメタ学習型アモータライズされた推論を用いた数ショット生成モデルを用いて再編成している。 しかしこれらの手法は、既知のタスク識別子を持つ静的で多様なトレーニング分布を仮定する。 新しいデータが利用可能になったら、破滅的な忘れ物を避けるために、すべての事前データでコストのかかる再トレーニングが必要になります。 これは、しばしばラベルのないデータが連続して届き、完全な再トレーニングが不可能な臨床環境において、大きな制限となる。 本稿では,情報を連続的に統合するだけでなく,未知あるいは未知のダイナミックスソースから取得したデータを識別することのできる,パーソナライズされたニューラルサロゲートを実現するための,新しい連続メタラーニングフレームワークを提案する。 メモリバッファ上で連続的なベイジアン・ガウス混合モデルを活用することで、我々のフレームワークは、効果的なメタ学習に必要な、時間とともにデータの識別子と関係を推測することができる。 人工心臓データに対する実験結果は,既存のベースラインと比較して,破滅的忘れに対するシミュレーション予測,計算スケーラビリティ,レジリエンスに優れていた。

関連論文リスト

• On-the-Fly Fine-Tuning of Foundational Neural Network Potentials: A Bayesian Neural Network Approach [2.0700747055024284]
  微調整基礎モデルは、所望の精度に達するのに必要なトレーニングデータの量を減らすことができる。 この形式のアクティブラーニングを基礎モデルの微調整に適用する上で重要な課題は、微調整プロセス中にこれらのモデルの不確実性を評価する方法である。
  論文  参考訳（メタデータ） (2025-07-18T10:33:06Z)
• Weight Factorization and Centralization for Continual Learning in Speech Recognition [55.63455095283984]
  リハーサルのない多言語、言語に依存しない状態でモデルを継続的に訓練することは、破滅的な忘れを招きかねない。 人間の脳が覚醒サイクルを通じて知識を学習・統合する能力に着想を得て,継続的な学習手法を提案する。
  論文  参考訳（メタデータ） (2025-06-19T19:59:24Z)
• Test-Time Adaptation for Combating Missing Modalities in Egocentric Videos [92.38662956154256]
  現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。 再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。 MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
  論文  参考訳（メタデータ） (2024-04-23T16:01:33Z)
• Neural Koopman prior for data assimilation [7.875955593012905]
  ニューラルネットワークアーキテクチャを使って、潜在空間に動的システムを埋め込む。 本研究では,このようなモデルを長期の継続的再構築のために訓練する手法を提案する。 また,変動データ同化手法の先行として,訓練された動的モデルの有望な利用を示すとともに,自己教師型学習の可能性も示された。
  論文  参考訳（メタデータ） (2023-09-11T09:04:36Z)
• Architecture, Dataset and Model-Scale Agnostic Data-free Meta-Learning [117.48444197402858]
  データフリーメタトレーニングにおけるePisode cUrriculum inversion(ECI)と、内部ループ後のinvErsion calibRation(ICFIL)を提案する。 ECIは、メタモデルのリアルタイムフィードバックに応じて、擬似エピソードの難易度を適応的に増加させる。 本稿では,ECIを用いたメタトレーニングの最適化過程を,エンド・ツー・エンド方式で近似形式として定式化する。
  論文  参考訳（メタデータ） (2023-03-20T15:10:41Z)
• Few-shot Generation of Personalized Neural Surrogates for Cardiac Simulation via Bayesian Meta-Learning [6.978382728087236]
  メタラーニングの単一コヒーレントフレームワークにおいて、パーソナライズされたニューラルサロゲートを実現するための新しい概念を提案する。 テスト時間として、MetaPNSは個人から利用可能な小さなフレキシブルなデータの高速フィードフォワード埋め込みによって、パーソナライズされたニューラルサロゲートを提供する。 MetaPNSは、従来の最適化心臓シミュレーションモデルと比較して、パーソナライズと予測精度を改善することができた。
  論文  参考訳（メタデータ） (2022-10-06T14:59:27Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)

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。