論文の概要: Separating Expert Retention from Autonomous Source Inference in Raw-ECG-Replay-Free Continual ECG Deployment

• arxiv url: http://arxiv.org/abs/2607.01674v2
• Date: Fri, 03 Jul 2026 01:48:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 13:04:58.497255
• Title: Separating Expert Retention from Autonomous Source Inference in Raw-ECG-Replay-Free Continual ECG Deployment
• Title（参考訳）: RAW-ECG-Replay-free Continual ECG Deploymentにおける自律的ソース推論からのエキスパート保持の分離
• Abstract要約: 凍結した1024次元の特徴をベースとしたインクリメンタルエキスパートバンクIRFE-ECGを用いて,その区別について検討した。 検証基準付きマージンルールは、単一のルートの専門家にコミットするのではなく、最も可能性の高い2人の専門家を混乱させる。 生のECGは再生されないが、凍結したトレーニング機能はルータのアップデートのために保持される。
• 参考スコア（独自算出の注目度）: 20.39674526902019
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In multi-source ECG deployment, models may need to incorporate new data sources when earlier raw ECGs cannot be retained or replayed. Freezing a pretrained backbone and assigning each source an isolated classifier prevents parameter interference, but deployment still requires selecting an expert when source metadata are unavailable. We study this distinction through IRFE-ECG, an incremental expert bank built on frozen 1024-dimensional ECGFounder features. Each arriving domain adds a balanced-softmax linear expert, while a lightweight router is fitted only on retained training features and domain labels from sources observed so far. A validation-calibrated margin rule fuses the two most likely experts instead of committing to a single routed expert. On CPSC, PTB-XL, Georgia, and Chapman-Shaoxing, source-aware expert selection reaches $0.7915\pm0.0036$ Macro-F1 and a matched offline independent-head reference reaches $0.7885\pm0.0009$, supporting strong source-aware expert retention. Without source IDs, an MLP router reaches $0.7756\pm0.0027$ and top-2 margin fusion reaches $0.7782\pm0.0022$. The top-2 gain over hard MLP routing is small ($+0.0026$), with a 95\% confidence interval from paired bootstrap that includes zero. Across three domain orders, the top-2-to-oracle gap remains $0.0111$--$0.0133$, identifying autonomous source inference as the main remaining bottleneck. No raw ECGs are replayed, but frozen training features are retained for router updates; the method is therefore not memory-free.Code is available at https://github.com/yufanlu221/IRFE-ECG.
• Abstract（参考訳）: マルチソースECGデプロイメントでは、以前の生ECGの保持や再生ができない場合、モデルは新しいデータソースを組み込む必要がある。 事前訓練されたバックボーンを凍結し、各ソースに独立した分類器を割り当てると、パラメータの干渉が防止される。 凍結した1024次元ECGFounder機能をベースに構築されたIRFE-ECGを用いて,この区別について検討する。 到着した各ドメインには、バランスの取れたソフトマックスの線形専門家が加わり、ライトウェイトルータは、これまで観測されたソースから保持されたトレーニング機能とドメインラベルにのみ装着される。 検証基準付きマージンルールは、単一のルートの専門家にコミットするのではなく、最も可能性の高い2人の専門家を混乱させる。 CPSC, PTB-XL, Georgia, Chapman-Shaoxingでは、ソースアウェアの専門家選択が0.7915\pm0.0036$ Macro-F1に達し、マッチしたオフラインの独立ヘッド参照が0.7885\pm0.0009$に達し、強力なソースアウェア専門家保持をサポートする。 ソースIDがなければ、MLPルータは0.7756\pm0.0027$、トップ2マージン融合は0.7782\pm0.0022$に達する。 ハードなMLPルーティングに対するトップ2のゲインは、ゼロを含むペアブートストラップから95%の信頼区間を持つ小さな(+0.0026$)。 3つのドメイン注文全体において、トップ2からトップ2のギャップは0.0111$--0.0133$のままであり、自律的なソース推論が主要なボトルネックであると特定されている。 生のECGは再生されないが、凍結したトレーニング機能はルータ更新のために保持されるため、このメソッドはメモリフリーではない。

関連論文リスト

• Certified Inference and Training for Deep Equilibrium Networks: A Continuation Framework with Polynomial Complexity Guarantees [0.0]
  我々は、平衡計算と深層平衡ネットワークのトレーニングのための認定された継続フレームワークを開発する。 推論のために、コンパクトな入力ホモトピーは、供給された開始根からユニークな分岐を選択する。 トレーニングでは,プログラム可能な休眠性双線性階調チャネルで局所的・低位再発を増悪する。
  論文  参考訳（メタデータ） (2026-09-15T01:15:58Z)
• RAPTOR: Role-Aware Private Training for Mixture-of-Experts [68.5626338219096]
  RAPTORはRole-Aware Private Trainingフレームワークである。 RAPTORは共有と専門家の最適化を交互に行い、各障害を直接ターゲットする。 GLUEタスク間でのSwitch TransformerとOLMoEの微調整およびDeepSeek-VL2-Tinyの実験では、標準のDPベースラインよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-09-04T23:16:12Z)
• When does fusing hand-crafted knowledge with learned representations pay? A cost-normalized benchmark of stacking, substitution, and interference [26.45899223541571]
  データ駆動学習による事前知識の融合は、データが不足している場合に魅力的だが、それが役に立つ、冗長な、あるいは有害な場合には、制御されたアカウントが言うことはない。 我々は、データ駆動型代替(SimCLR、SimSiam、DINO、ImageNet転送、拡張、学習教師)に対して、トレーニング期間中に$sim$2%のオーバーヘッドでのみ注入されたGaborターゲットのピン留めされたバンクである固定手作りの知識ソースをベンチマークした。 測定したトレーニング時間の組み合わせ全体において、3つの結果が再帰する(決定レベル融合が異なる)。
  論文  参考訳（メタデータ） (2026-08-21T13:44:10Z)
• TEMPO: Makespan-Aware Expert-Parallel Load Balancing Across Memory- and Compute-Bound Regimes [6.460910545652521]
  TEMPOは、クリティカルパスからミリ秒でバッチ毎のディスパッチを解決するメースパン対応ディスパッチである。 SG統合はプロセスアウトで実行され、ディスパッチを1つのイングラフカーネルにフューズする。 Testbed Bのエンドツーエンドでは、Qwen3-235Bが4-6%のスループットを獲得し、p99のレイテンシを15.6%のコストで削減している。
  論文  参考訳（メタデータ） (2026-08-13T10:21:11Z)
• RouteGuard: Certifying Routing Gain in LLM Multi-Agent Systems When Complementarity Is Not Enough [0.8089404951115918]
  RouteGuardはルータのデプロイメント認証フレームワークである。 有限サンプル認証ブラケットは、ル・カムの下限、固定活性クラス上の定数シャープ、ロバストネス相転移を備える。 このプロトコルは$m ge mstar$の真のゲインを認証し、真のnullを認証しない。
  論文  参考訳（メタデータ） (2026-08-05T05:01:26Z)
• SHAPE: Coalition-Aware Expert Pruning for Sparse Mixture-of-Experts LLMs [4.035485260002141]
  Sparse Mixture-of-Experts (MoE)モデルは、トーケンの少ない計算で強力な品質を達成するが、そのデプロイメントはメモリウォールによって制限されることが多い。 課題駆動型プルーニングフレームワークのtextbfSHAPE を提案する。
  論文  参考訳（メタデータ） (2026-06-03T08:41:48Z)
• RRISE: Robust Radius Inference via a Surrogate Estimator [30.521314184750867]
  我々はRSフレームワークRRISEを導入し、認証を学習したサロゲートを1つのフォワードパスに圧縮する。 CIFAR-100とTiny ImageNetでは、唯一のオフラインサロゲート方式が崩壊し、RRISEは1.23ドルから1.91タイムスを高い精度で達成した。
  論文  参考訳（メタデータ） (2026-06-01T20:46:06Z)
• From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
  教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。 本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
  論文  参考訳（メタデータ） (2026-05-21T04:54:55Z)
• Online Learning-to-Defer with Varying Experts [6.097236291317658]
  バンディットフィードバックと動的に変化する専門家のプールを備えた,マルチクラス分類のための最初のオンラインL2Dアルゴリズムを導入する。 本手法は, 一般には$O((n+n_e)T2/3)$, $O((n+n_e)sqrtT)$を低雑音条件下で後悔保証する。 合成および実世界のデータセットの実験により、我々のアプローチは、標準的なLearning-to-Deferを、専門家の可用性と信頼性の異なる設定に効果的に拡張することを示した。
  論文  参考訳（メタデータ） (2026-05-12T16:19:44Z)
• Measuring the Unmeasurable: Markov Chain Reliability for LLM Agents [0.7161783472741748]
  エージェントの実行トレースをMarkovチェーンに適合させる再現可能なパイプラインである textscTraceToChain を提示する。 パイプラインは自動クラスタ分類を構築し、Laplace-smoothed maximum-likelihood Estimation (MLE) による遷移を推定し、複合的なAkaike Information criterion (AIC) と Kolmogorov-Smirnov (KS) に適合する。 結果として得られたファーストパスビューは、通常別々に報告されるメトリクスを再構成する: pass$$k$, pass$k$, and the reliability decay curve (RDC) is projections of one。
  論文  参考訳（メタデータ） (2026-04-27T15:05:45Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• UCB-type Algorithm for Budget-Constrained Expert Learning [71.67657715154034]
  algnameM-LCBはUCBスタイルのメタアルゴリズムであり、幻想的後悔の保証を提供する 我々は、AlgnameM-LCBが、限られたリソースの下で、ステートフルで自己学習の専門家をコーディネートする、より現実的なシナリオまで、古典的な帯域幅パラダイムをどのように拡張しているかを示す。
  論文  参考訳（メタデータ） (2025-10-26T12:36:17Z)
• What Layers When: Learning to Skip Compute in LLMs with Residual Gates [66.23658560048241]
  GateSkipは、デコーダのみのLMにおけるトークンワイド層スキップを可能にする残差ストリームゲーティング機構である。 各Attention/MLPブランチは、残ストリームに再入力する前に、ブランチの出力を凝縮するシグモイドリニアゲートを備えている。
  論文  参考訳（メタデータ） (2025-10-13T16:31:50Z)
• Extracting the gamma-ray source-count distribution below the Fermi-LAT detection limit with deep learning [44.99833362998488]
  合成2次元スカイマップ上で畳み込みニューラルネットワークを訓練し,Fermi-LATインスツルメンタル応答関数を組み込む。 トレーニングされたニューラルネットワークはFermi-LATデータに適用され、そこからソースカウント分布をFermi-LATしきい値以下50のフラックスレベルまで推定する。
  論文  参考訳（メタデータ） (2023-02-03T19:00:51Z)
• Dual Generator Offline Reinforcement Learning [90.05278061564198]
  オフラインのRLでは、学習したポリシーをデータに近づき続けることが不可欠である。 実際には、GANベースのオフラインRL法は代替手法と同様に実行されていない。 2つのジェネレータを持つことにより、有効なGANベースのオフラインRL法が実現されるだけでなく、サポート制約を近似することも示している。
  論文  参考訳（メタデータ） (2022-11-02T20:25:18Z)

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。