論文の概要: Efficient Temporal Modeling for Mobile Sleep Staging via Lightweight Random Attention

• arxiv url: http://arxiv.org/abs/2606.13694v1
• Date: Sun, 31 May 2026 05:12:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-21 20:00:42.730631
• Title: Efficient Temporal Modeling for Mobile Sleep Staging via Lightweight Random Attention
• Title（参考訳）: 軽量ランダムアテンションを用いたモバイル睡眠の効率的な時間モデル
• Authors: Guisong Liu, Pengfei Wei, Jainsong Zhang, Martin Dresler,
• Abstract要約: 固定されたランダムプロジェクションに基づく軽量時間モデリングモジュールであるRandom Attention (RA)を提案する。 RAはエポックエンコーダ以外のパラメータをほとんど導入せず、効果的な時間的平滑化を実現している。 スリープ-EDF-20とスリープ-EDF-78の実験では、RAはエポックワイドベースラインを1-3%の精度で改善し、F1スコアを得た。
• 参考スコア（独自算出の注目度）: 11.02990137178079
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile sleep staging serves as a foundational infrastructure for in-home sleep monitoring and closed-loop modulation. But existing sequential models such as RNNs and Transformers are computationally expensive for mobile deployment. In this paper, we propose Random Attention (RA), a lightweight temporal modeling module based on fixed random projections, which replaces learnable sequence modeling with similarity-based aggregation. RA introduces little additional parameters beyond the epoch encoder while enabling effective temporal smoothing. We further provide a theoretical interpretation via the Random Attention Prior Kernel (RAPK), which decomposes RA into a global smoothing term and a feature similarity term, offering an interpretable view of temporal sleep structure. Experiments on Sleep-EDF-20 and Sleep-EDF-78 show that RA consistently improves epoch-wise baselines by 1-3\% in accuracy and F1 score, while achieving competitive performance compared with LSTM, GRU, and Transformer models. RA also demonstrates strong generalization across different backbone encoders and improved robustness over conventional temporal smoothing methods. These results indicate that efficient sleep staging can be achieved through lightweight similarity-based temporal aggregation, making RA suitable for real-time wearable applications.
• Abstract（参考訳）: モバイル睡眠ステージングは、家庭内睡眠監視とクローズドループ変調の基盤となる基盤となる。 しかし、RNNやTransformerのような既存のシーケンシャルモデルは、モバイルデプロイメントには計算コストがかかる。 本稿では,ランダム・アテンション(Random Attention, RA)を提案する。これは,学習可能なシーケンス・モデリングを類似性に基づくアグリゲーションに置き換える,固定されたランダム・プロジェクションに基づく軽量時間モデリングモジュールである。 RAはエポックエンコーダ以外のパラメータをほとんど導入せず、効果的な時間的平滑化を実現している。 さらに、RAをグローバルな平滑化項と特徴類似項に分解し、時間的睡眠構造の解釈可能なビューを提供するランダム注意優先カーネル(RAPK)を通して理論的解釈を提供する。 スリープ-EDF-20とスリープ-EDF-78の実験では、RAはLSTM、GRU、Transformerモデルと競合する性能を保ちながら、1～3倍の精度でエポックワイドベースラインを一貫して改善している。 RAはまた、異なるバックボーンエンコーダ間で強力な一般化を示し、従来の時間的平滑化法よりもロバスト性を向上させる。 これらの結果から,軽量な類似性に基づく時間的アグリゲーションにより,効率的な睡眠ステージングが達成され,RAがリアルタイムウェアラブルアプリケーションに適していることが示唆された。

関連論文リスト

• Rethinking Random Transformers as Adaptive Sequence Smoothers for Sleep Staging [17.920922817772624]
  ランダムにカーネル変換器をトレーニングすることなく、スリープステージ性能を大幅に向上させることを示す。 この効果をRAPK (Random Attention Prior) を用いて定式化し、ランダムな自己注意が適応的スムースに作用することを示す。
  論文  参考訳（メタデータ） (2026-05-11T02:48:06Z)
• Perceive, Route and Modulate: Dynamic Pattern Recalibration for Time Series Forecasting [68.53528085362642]
  現在の深い予測モデルは、すべての時間トークンに一様に適用される固定重み行列に依存している。 トークンレベルの再校正によってこれを解決するバックボーンに依存しないメカニズムであるDynamic Pattern Recalibrationを導入する。 DPRNetは12ベンチマークで競合性能を達成し、マクロパラメータスケーリングに対する動的リカバリを検証する。
  論文  参考訳（メタデータ） (2026-05-07T14:12:47Z)
• Preserving Temporal Dynamics in Time Series Generation [0.2099922236065961]
  時系列データの増大は回帰指向予測タスクにおいて重要な役割を果たす。 既存のアプローチは主に、限界データ分布のマッチングに重点を置いている。 モデルに依存しないマルコフ・チェイン・モンテカルロフレームワークを提案し、分布シフトを緩和し、時間的ダイナミクスを保存する。
  論文  参考訳（メタデータ） (2026-04-29T20:32:45Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• Low-Dimensional Adaptation of Rectified Flow: A New Perspective through the Lens of Diffusion and Stochastic Localization [59.04314685837778]
  整流流(RF)は、その生成効率と最先端の性能からかなりの人気を得ている。 本稿では,RFがターゲット分布の支持の内在的低次元性に自動的に適応し,サンプリングを高速化する程度について検討する。 時間分割方式を慎重に設計し,十分な正確なドリフト推定を行うことで,RFサンプリング器はオーダーO(k/varepsilon)$の複雑さを享受できることを示す。
  論文  参考訳（メタデータ） (2026-01-21T22:09:27Z)
• A Context-Aware Temporal Modeling through Unified Multi-Scale Temporal Encoding and Hierarchical Sequence Learning for Single-Channel EEG Sleep Staging [0.0]
  本研究は、自動睡眠ステージングのための実用的で広く利用可能な信号である、単一チャネル脳波(EEG)に焦点を当てる。 既存のアプローチでは、クラス不均衡、限定された受容場モデリング、不十分な解釈可能性といった課題に直面している。 本研究は,単一チャネル脳波睡眠ステージングのためのコンテキスト認識・解釈可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-28T15:42:33Z)
• Leveraging Duration Pseudo-Embeddings in Multilevel LSTM and GCN Hypermodels for Outcome-Oriented PPM [4.120576565537633]
  予測プロセス監視(PPM)のための既存のディープラーニングモデルは、時間的不規則性に悩まされている。 本稿では,イベント属性とシーケンス属性を分離する2つの入力ニューラルネットワーク戦略を提案する。 提案手法の利点を実証し,実世界の堅牢なPPMアプリケーションのためのフレキシブルな設計を提供する。
  論文  参考訳（メタデータ） (2025-11-24T07:06:08Z)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。