論文の概要: Using Explainability as a Training-Time Reliability Signal for Efficient ECG Classification
- arxiv url: http://arxiv.org/abs/2606.12252v1
- Date: Wed, 10 Jun 2026 15:55:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.5468
- Title: Using Explainability as a Training-Time Reliability Signal for Efficient ECG Classification
- Title（参考訳）: 効率的な心電図分類のための訓練時間信頼性信号としての説明可能性の利用
- Authors: Veerendhra Kumar Dangeti, Xiao Gu, Ying Weng, Shreyank N Gowda,
- Abstract要約: 本稿では、効率的なECG分類のための説明可能性に基づく信頼性訓練信号ERTSを紹介する。
ERTSは、情報的不確実性と信頼できない不確実性を区別するために、トレーニング中に説明品質を使用する。
3つのECGデータセットと複数のバックボーンアーキテクチャにまたがるERTSを評価し,有効トレーニングコストの削減とともにマクロF1の改善が一貫したことを示す。
- 参考スコア（独自算出の注目度）: 14.279568423870572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Training deep neural networks for clinical time-series analysis is computationally demanding, yet many healthcare settings lack the resources required for repeated model development and deployment. This challenge is particularly evident in electrocardiogram classification, where large datasets and long training schedules make efficiency practically important. Progressive Data Dropout reduces training cost by excluding samples from gradient updates once they are learned, but it relies on model confidence and may retain samples that are difficult due to noise or ambiguity rather than useful signal. In this work, we introduce ERTS, an explainability-based reliability training signal for efficient ECG classification. ERTS uses explanation quality during training to distinguish between informative and unreliable uncertainty. Building on progressive data selection, we compute Grad-CAM attention maps for candidate samples and derive a focus score that measures whether model predictions are supported by coherent and localised patterns. Samples with low focus are filtered out, while those with meaningful attention are prioritised for gradient updates. We evaluate ERTS across three ECG datasets and multiple backbone architectures, showing consistent improvements in macro-F1 alongside reduced effective training cost. These results suggest that explanation quality can serve as a practical signal for improving both efficiency and reliability in clinical time-series learning. Code will be released.
- Abstract（参考訳）: 臨床時系列分析のためのディープニューラルネットワークのトレーニングは、計算的に要求されているが、多くのヘルスケア設定は、繰り返しモデルの開発とデプロイに必要なリソースを欠いている。
この課題は心電図の分類において特に顕著であり、大きなデータセットと長いトレーニングスケジュールが効率を実質的に重要なものにしている。
プログレッシブ・データ・ドロップアウト(Progressive Data Dropout)は、学習後に勾配更新からサンプルを除外することで、トレーニングコストを削減します。
本稿では,効率的なECG分類のための説明可能性に基づく信頼性トレーニング信号ERTSを紹介する。
ERTSは、情報的不確実性と信頼できない不確実性を区別するために、トレーニング中に説明品質を使用する。
プログレッシブデータ選択に基づいて、候補サンプルに対するGrad-CAMアテンションマップを計算し、コヒーレントかつ局所的なパターンによってモデル予測がサポートされているかどうかを測定するフォーカススコアを導出する。
フォーカスの低いサンプルはフィルタリングされ、注意を向けたサンプルは勾配更新に優先される。
3つのECGデータセットと複数のバックボーンアーキテクチャにまたがるERTSを評価し,有効トレーニングコストの削減とともにマクロF1の改善が一貫したことを示す。
これらの結果から,臨床時系列学習の効率化と信頼性向上のための実用的な信号として,説明品質が有効であることが示唆された。
コードはリリースされる。
関連論文リスト
- On Revisiting Entropy for Identifying Mislabeled Images [21.219096729721816]
そこで本研究では,トレーニングダイナミクスを利用したラベルミス検出手法を提案する。
我々は,予測エントロピーの規模と時間的傾向の両方を捉える符号付きエントロピー積分 (SEI) 統計学を導入する。
本報告では,SEIが従来の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2026-05-29T09:59:32Z) - ECG Classification on PTB-XL: A Data-Centric Approach with Simplified CNN-VAE [0.0]
我々は,データ前処理,クラスバランシング,単純化された畳み込みニューラルネットワークが,モデル複雑性を大幅に低減して競合性能を実現することを示す。
87.01%のバイナリ精度と0.7454の重み付きF1スコアを5つの診断クラスで達成し,トレーニング可能なパラメータは197,093であった。
論文 参考訳（メタデータ） (2026-03-08T09:43:31Z) - Enhancing Training Data Attribution with Representational Optimization [57.61977909113113]
トレーニングデータ属性法は、トレーニングデータがモデルの予測にどのように影響するかを測定することを目的としている。
本稿では,タスク固有表現とモデル整合表現をTDAで明示的に学習することで,このギャップを埋める表現ベースアプローチであるAirRepを提案する。
AirRepは、属性品質に合わせて調整されたトレーニング可能なエンコーダと、グループワイドの影響を正確に見積もるアテンションベースのプール機構の2つの重要なイノベーションを紹介している。
論文 参考訳（メタデータ） (2025-05-24T05:17:53Z) - PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。
PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-06T16:20:25Z) - BUNDL: Bayesian Uncertainty-aware Deep Learning with Noisy training Labels for Seizure Detection in EEG [4.3152965872426625]
Scalp EEGは高いノイズレベルに影響を受けやすいため、発作のタイミングや特徴の不正確なアノテーションにつながる。
本稿では,ラベル曖昧性の深層学習モデルを示す新しい統計フレームワークを提案する。
BUNDLはラベルの曖昧さに対処するために特別に設計されており、てんかん評価のための信頼性と信頼性のあるモデルのトレーニングを可能にする。
論文 参考訳（メタデータ） (2024-10-17T21:19:39Z) - The Rlign Algorithm for Enhanced Electrocardiogram Analysis through R-Peak Alignment for Explainable Classification and Clustering [34.88496713576635]
我々は,サポートベクタマシンや主成分分析などの浅層学習技術をECG信号処理に再導入することを目指している。
そこで我々は,ECG信号を完全に構造化されたフォーマットに効果的に再構成する変換を開発し,評価した。
我々のアプローチは、特に限られたトレーニングデータを扱う場合、CNNよりも浅い機械学習手法に顕著な優位性を示す。
論文 参考訳（メタデータ） (2024-07-22T11:34:47Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳（メタデータ） (2023-10-18T02:59:57Z) - Improving self-supervised pretraining models for epileptic seizure
detection from EEG data [0.23624125155742057]
本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。
自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
論文 参考訳（メタデータ） (2022-06-28T17:15:49Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z)
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。