論文の概要: MOSAIC: Modality-Specific Adaptation for Incremental Continual Learning in Parkinson's Disease Gait Assessment
- arxiv url: http://arxiv.org/abs/2606.13258v2
- Date: Tue, 16 Jun 2026 06:38:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 15:01:46.627785
- Title: MOSAIC: Modality-Specific Adaptation for Incremental Continual Learning in Parkinson's Disease Gait Assessment
- Title（参考訳）: パーキンソン病歩行評価における増分継続学習のためのモダリティ特異的適応
- Authors: Minlin Zeng, Zhipeng Zhou, Yang Qiu, Martin J. McKeown, Zhiqi Shen,
- Abstract要約: 歩行に基づくパーキンソン病の評価は、ますます異質なセンサーに依存している。
デバイスアップグレードやプロトコルの変更,マルチセンタ展開を通じて,新たなセンサが到着する可能性がある。
このモダリティ・インクリメンタルな設定は、信頼できないクロスモーダル蒸留、モダリティ固有の統計シフト、保存後の可塑性の減少という3つの課題に直面している。
- 参考スコア（独自算出の注目度）: 15.590322283303385
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Gait-based Parkinson's disease assessment increasingly relies on heterogeneous sensors, but clinical systems rarely collect all modalities simultaneously. New sensors may arrive through device upgrades, protocol changes, or multi-center deployment, while historical patient data are often unavailable because of privacy and storage constraints. This modality-incremental setting faces three challenges: unreliable cross-modal distillation, modality-specific statistical shifts, and reduced plasticity after preservation. We propose MOSAIC, a compact continual learning framework. First, we identify the Toxic Teacher phenomenon and introduce Modality-Specific Warm-Up to stabilize newly learned modality representations before distillation. Second, we propose a statistics-decoupled MSBN architecture that isolates sensor statistics while maintaining a shared semantic backbone. Third, we design a curriculum-guided repulsive objective for Plasticity Recovery, preserving legacy knowledge while recovering modality-specific capacity. Experiments on three multimodal Parkinson's gait datasets show that MOSAIC improves final performance and mitigates forgetting. Project code is available at: https://github.com/minlinzeng/MOSAIC_Modality-Specific-Adaptation-for-Incremental-Continual-Learning -in-PD-Gait-Assessment.git
- Abstract（参考訳）: ゲイトをベースとしたパーキンソン病の評価は、不均一なセンサーにますます依存しているが、臨床システムでは、全てのモダリティを同時に収集することは滅多にない。
新しいセンサーはデバイスアップグレードやプロトコル変更、マルチセンタ展開を通じて提供される可能性があるが、過去の患者のデータは、プライバシとストレージの制約のために利用できないことが多い。
このモダリティ・インクリメンタルな設定は、信頼できないクロスモーダル蒸留、モダリティ固有の統計シフト、保存後の可塑性の減少という3つの課題に直面している。
コンパクトな連続学習フレームワークMOSAICを提案する。
まず, トキシック教師現象を特定し, 蒸留前に新たに学習したモダリティ表現を安定化させるために, モダリティ・スペクティフィック・ウォームアップを導入する。
次に,センサ統計を分離したMSBNアーキテクチャを提案する。
第3に,可塑性回復のためのカリキュラム誘導型推進目標を設計し,レガシ知識を保ちつつ,モダリティ特化能力の回復を図る。
3つのマルチモーダルなParkinsonの歩行データセットの実験は、MOSAICが最終的なパフォーマンスを改善し、忘れを軽減していることを示している。
プロジェクトコードは以下の通りである。 https://github.com/minlinzeng/MOSAIC_Modality-Specific-Adaptation-for-Incremental-Continual-Learning -in-PD-Gait-Assessment.git
関連論文リスト
- Robust by Design: A Continuous Monitoring and Data Integration Framework for Medical AI [0.779547724026871]
我々は、時間とともに堅牢なパフォーマンスを維持する自律的な継続的監視およびデータ統合フレームワークを提案する。
本手法では,モンテカルロのドロップアウトに基づく不確実性ゲーティングとマルチメトリック特徴解析を用いて,新しいデータの再トレーニングのタイミングを決定する。
マルチセンタデータセット上のResNet18アンサンブルによる実験では、このフレームワークはパフォーマンスの劣化を防ぐ。
論文 参考訳（メタデータ） (2026-04-10T06:22:00Z) - Pearl: A Foundation Model for Placing Every Atom in the Right Location [52.35027831422145]
タンパク質-リガンド共フォールディングの基礎モデルであるPearlを紹介した。
パールはタンパク質-リガンド結合における新しい最先端性能を確立している。
Pearlは、パブリックなRuns N' PosesとPoseBustersベンチマークでAlphaFold 3や他のオープンソースベースラインを上回っている。
論文 参考訳（メタデータ） (2025-10-28T17:36:51Z) - MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。
事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。
最先端の微調整戦略を一貫して上回ります。
論文 参考訳（メタデータ） (2025-09-07T15:22:53Z) - MoCap-Impute: A Comprehensive Benchmark and Comparative Analysis of Imputation Methods for IMU-based Motion Capture Data [4.498558555177452]
ウェアラブル慣性計測ユニット(IMU)のモーションキャプチャ(MoCap)データは、スポーツ科学の応用に不可欠である。
多くの計算手法にもかかわらず、IMU由来のMoCap時系列データの体系的性能評価は欠落している。
論文 参考訳（メタデータ） (2025-07-14T14:41:19Z) - ITCFN: Incomplete Triple-Modal Co-Attention Fusion Network for Mild Cognitive Impairment Conversion Prediction [12.893857146169045]
アルツハイマー病(英語: Alzheimer's disease、AD)は、高齢者の神経変性疾患である。
軽度認知障害(MCI)の早期予測と時間的介入は、ADに進むリスクを減少させる可能性がある。
論文 参考訳（メタデータ） (2025-01-20T05:12:31Z) - Decomposing the Neurons: Activation Sparsity via Mixture of Experts for Continual Test Time Adaptation [37.79819260918366]
継続的なテスト時間適応(CTTA)は、トレーニング済みのモデルを進化し続けるターゲットドメインに適応させることを目的としている。
我々はCTTAタスクのアダプタとしてMixture-of-Activation-Sparsity-Experts (MoASE)の統合について検討する。
論文 参考訳（メタデータ） (2024-05-26T08:51:39Z) - Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。
パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。
進行の段階を特定するために設計されたAIツールは存在しない。
論文 参考訳（メタデータ） (2023-12-28T10:30:54Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z)
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。