論文の概要: SafeECGMatch: Calibration-Aware Joint Frequency and Time Space Semi-Supervised Learning for Open-Set ECG Classification

• arxiv url: http://arxiv.org/abs/2606.08037v1
• Date: Sat, 06 Jun 2026 07:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.68414
• Title: SafeECGMatch: Calibration-Aware Joint Frequency and Time Space Semi-Supervised Learning for Open-Set ECG Classification
• Title（参考訳）: SafeECGMatch:オープンセットECG分類のための校正型共同周波数と時間空間半教師付き学習
• Authors: Hongkyu Koh, Ikbeom Jang,
• Abstract要約: 単一ラベルECG分類のためのキャリブレーション対応安全なSSLフレームワークであるSafeECGMatchを提案する。 メソッド的には、SafeECGMatchは時間周波数潜在表現を抽出するデュアルブランチアーキテクチャを採用している。 PTB-XL と PhysioNet/CinC Challenge のベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 0.014257559724536567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrocardiogram (ECG) classification models often suffer from severe label scarcity, making semi-supervised learning (SSL) an attractive strategy for reducing annotation costs. In clinical settings, however, unlabeled pools frequently contain out-of-distribution (OOD) anomalies or diagnostic groups absent from the labeled set. Standard SSL forces incorrect pseudo-labels onto these unseen classes, producing overconfident predictions. To address this, we propose SafeECGMatch, a calibration-aware safe SSL framework for single-label ECG classification under label distribution mismatch. Methodologically, SafeECGMatch employs a dual-branch architecture extracting time-frequency latent representations via ECG-specific augmentations. Crucially, it dynamically aligns confidence with empirical accuracy through adaptive label smoothing and temperature scaling, calibrating both the multiclass classifier and the OOD detector across temporal and spectral domains. This joint optimization allows trustworthy OOD rejection and reliable pseudo-labeling. Evaluated on the PTB-XL and PhysioNet/CinC Challenge benchmarks, SafeECGMatch achieves state-of-the-art accuracy and calibration, advancing reliable knowledge discovery in physiological time-series. Code is available at https://github.com/labhai/SafeECGMatch.
• Abstract（参考訳）: 心電図(ECG)分類モデルは、しばしばラベル不足に悩まされ、半教師付き学習(SSL)がアノテーションコストを削減する魅力的な戦略となる。 しかし、臨床環境では、ラベル付けされたセットから外れたアウト・オブ・ディストリビューション(OOD)異常や診断グループを頻繁に含んでいる。 標準SSLは、これらの未知のクラスに偽のラベルを不正に強制し、過信な予測を発生させる。 そこで本稿では,単一ラベルのECG分類のためのキャリブレーション対応安全なSSLフレームワークであるSafeECGMatchを提案する。 メソッド的には、SafeECGMatchは、ECG固有の拡張を通じて、時間周波数の潜時表現を抽出するデュアルブランチアーキテクチャを採用している。 重要なことは、適応的なラベルの平滑化と温度スケーリングによって、時間領域とスペクトル領域の多クラス分類器とOOD検出器の両方を校正することで、信頼性を経験的精度で動的に調整する。 この共同最適化により、信頼できるOODの拒絶と疑似ラベル作成が可能になる。 PTB-XL と PhysioNet/CinC Challenge のベンチマークで評価され、SafeECGMatch は最先端の精度とキャリブレーションを達成し、生理的時系列における信頼性の高い知識発見を促進する。 コードはhttps://github.com/labhai/SafeECGMatch.comで入手できる。

関連論文リスト

• DMDSC: A Dynamic-Margin Deep Simplex Classifier for Open-Set Recognition on Medical Image Datasets [1.6076071340549412]
  医用画像データセットは、しばしば極端な階級的不均衡によって特徴づけられる。 この不均衡は、オープンセット認識(OSR: Open-Set Recognition)において二重の課題となり、モデルは、臨床環境での見知らぬトレーニングにおいて、未知のサンプルを確実に拒否しながら、既知のクラスにおける高い分類精度を維持する必要がある。 本稿では, ダイナミック・マージン・アプローチを特徴とする拡張フレームワークを提案する。本手法では, 周波数に基づいてクラス固有のマージンを自動的に適応し, 高いペナルティとより厳格な特徴クラスタリングを行うことで, データの不均衡を解消する。
  論文  参考訳（メタデータ） (2026-05-01T13:57:41Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Sharpness-aware Dynamic Anchor Selection for Generalized Category Discovery [61.694524826522205]
  既知のクラスのラベル付きデータを考えると、GCDは既知のクラスと未知のクラスの両方を含むラベルなしデータをクラスタ化することを目的としている。 大規模な事前学習モデルでは、特定の視覚的パターンが好まれ、ラベルのないデータに対して刺激的な相関を符号化する。 LSP(Los Sharpness Penalty)とDAS(Dynamic Anchor Selection)の2つのモジュールを含む新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-12-15T02:24:06Z)
• Semi-Supervised Regression with Heteroscedastic Pseudo-Labels [50.54050677867914]
  両レベル最適化の観点から,疑似ラベルの影響を動的に調整する不確実性認識型擬似ラベル化フレームワークを提案する。 我々は、様々なベンチマークSSRデータセットにまたがって、我々のアプローチを検証するための理論的洞察と広範な実験を提供する。
  論文  参考訳（メタデータ） (2025-10-17T03:06:23Z)
• CLoE: Curriculum Learning on Endoscopic Images for Robust MES Classification [1.8024397171920885]
  潰瘍性大腸炎の評価には内視鏡像からの重症度の推定が不可欠である。 ラベル信頼性と順序構造の両方を考慮したカリキュラム学習フレームワークであるCLoEを提案する。 LIMUCとHyperKvasirデータセットの実験では、CNNとTransformerの両方を使用して、CLoEが一貫してパフォーマンスを改善していることを示している。
  論文  参考訳（メタデータ） (2025-08-18T18:00:28Z)
• CaliMatch: Adaptive Calibration for Improving Safe Semi-supervised Learning [3.864321514889099]
  半教師付き学習(SSL)では、ラベル付きデータが不足している場合に、ラベル付きデータを使用して機械学習モデルのパフォーマンスを改善する。 セーフSSLと呼ばれる最近の研究は、分類とアウト・オブ・ディストリビューション(OOD)検出の両方を用いてこの問題に対処している。 安全なSSLを育むために,分類器とOOD検出器の両方を校正する新しい手法であるCaliMatchを提案する。
  論文  参考訳（メタデータ） (2025-07-30T07:00:56Z)
• xLSTM-ECG: Multi-label ECG Classification via Feature Fusion with xLSTM [14.02717596836022]
  本稿では,ECG信号のマルチラベル分類手法であるxLSTM-ECGを提案する。 我々の知る限り、この研究は、マルチラベルECG分類に特化して適応したxLSTMモジュールの設計と応用を表すものである。
  論文  参考訳（メタデータ） (2025-04-14T16:12:46Z)
• Model Calibration in Dense Classification with Adaptive Label Perturbation [44.62722402349157]
  既存の密接な二分分類モデルは、過信される傾向がある。 本稿では,各トレーニング画像に対する独自のラベル摂動レベルを学習する適応ラベル摂動(ASLP)を提案する。 ASLPは、分布内および分布外の両方のデータに基づいて、密度の高い二分分類モデルの校正度を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-07-25T14:40:11Z)
• SCRIB: Set-classifier with Class-specific Risk Bounds for Blackbox Models [48.374678491735665]
  クラス固有RIsk境界(SCRIB)を用いたSet-classifierを導入し,この問題に対処する。 SCRIBは、クラス固有の予測リスクを理論的保証で制御するセット分類器を構築する。 脳波(EEG)データによる睡眠ステージング,X線COVID画像分類,心電図(ECG)データに基づく心房細動検出など,いくつかの医学的応用についてSCRIBを検証した。
  論文  参考訳（メタデータ） (2021-03-05T21:06:12Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)
• Semi-Supervised Speech Recognition via Graph-based Temporal Classification [59.58318952000571]
  半教師付き学習は自己学習による自動音声認識において有望な結果を示した。 このアプローチの有効性は、主に擬似ラベルの精度に依存する。 N-bestリストの別のASR仮説は、ラベルなしの発話に対してより正確なラベルを提供することができる。
  論文  参考訳（メタデータ） (2020-10-29T14:56:56Z)

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。