論文の概要: Represent, Then Generate: Multimodal-Conditioned Time-Series Generation under Irregular Missingness

• arxiv url: http://arxiv.org/abs/2608.12592v2
• Date: Mon, 17 Aug 2026 02:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 13:30:43.585766
• Title: Represent, Then Generate: Multimodal-Conditioned Time-Series Generation under Irregular Missingness
• Title（参考訳）: Represent, then generation: Multimodal-Conditioned Time-Series Generation under Irregular Missingness
• Abstract要約: ターゲット生成からマルチモーダル条件表現を分離する2段階のフレームワークを提案する。 ステージ1はモードごとに1つのマスク付きオートエンコーダを訓練し、それぞれの時間変化条件をコンパクトで耐障害性のトークンシーケンスに蒸留する。 ステージIIは、これらのトークンを静的な条件で融合してターゲット信号を合成するフローマッチングジェネレータを訓練する。
• 参考スコア（独自算出の注目度）: 37.09931242741748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous physiological time series underpin modern clinical monitoring, yet many of the most informative signals are invasive, expensive, or simply unavailable for a given patient. Conditional generation offers a remedy: an absent signal can be synthesized from co-recorded signals and routine clinical variables. Existing generators, however, are built around a single conditioning modality and degrade when forced to handle the heterogeneous, irregularly missing mix of time-variant signals and static covariates seen in practice. We propose ReCoGen (Represent Conditions, then Generate), a two-stage framework that decouples multimodal condition representation from target generation. Stage I trains one masked autoencoder per modality, distilling each time-variant condition into a compact and missingness-tolerant token sequence. Stage II trains a flow-matching generator that fuses these tokens with static conditions to synthesize the target signal. Across three physiological benchmarks, including continuous glucose monitoring on AI-READI and arterial blood pressure generation on MIMIC-III and MIMIC-IV, ReCoGen attains the best downstream utility on all sixteen (dataset, task, metric) settings, surpassing six representative conditional generators; on thirteen of them its utility also reaches or exceeds the utility measured on the real signal, a reference we read as an approximate anchor rather than a ceiling. Ablations trace the gains to the conditioning path: learnable cross-attention over the frozen per-modality encoders, and a dual token-plus-AdaLN route for the static conditions. ReCoGen thus turns routinely collected signals into informative surrogates for invasive or unavailable ones, a step toward less invasive, lower-cost continuous clinical monitoring.
• Abstract（参考訳）: 継続的な生理的時系列は、現代の臨床モニタリングの基盤となっているが、最も情報性の高い信号の多くは、侵襲的、高価、あるいは単に患者に利用できないものである。 条件生成は、共同記録された信号と通常の臨床変数から欠落した信号を合成することができる。 しかし、既存のジェネレータは単一条件のモダリティを中心に構築されており、実際には不均一で不規則に欠落している時間変化信号と静的な共変器の混合を処理せざるを得なくなると劣化する。 ReCoGen(Represent Conditions, then Generate)は,マルチモーダルな条件表現をターゲット生成から分離する2段階のフレームワークである。 ステージ1はモードごとに1つのマスク付きオートエンコーダを訓練し、それぞれの時間変化条件をコンパクトで耐障害性のトークンシーケンスに蒸留する。 ステージIIは、これらのトークンを静的な条件で融合してターゲット信号を合成するフローマッチングジェネレータを訓練する。 AI-READIの連続グルコースモニタリングやMIMIC-IIIとMIMIC-IVの動脈血圧生成を含む3つの生理的ベンチマークにおいて、ReCoGenは16の(データセット、タスク、メトリック)設定すべてで最高のダウンストリームユーティリティを獲得し、6つの代表的な条件生成装置を超えた。 アブレーションは条件付きパス、すなわち、凍結されたモジュールごとのエンコーダ上の学習可能なクロスアテンション、静的条件に対するデュアルトークン+AdaLNルートをトレースする。 そのためReCoGenは、日常的に収集した信号を、侵襲的または不利用可能なもののための情報的サロゲートに変える。

関連論文リスト

• MedFlow: Class-Aware Multi-Scale Generation for Medical Time-Series Synthesis [61.211117385840396]
  医用時系列合成のためのクラス認識フローマッチングフレームワークであるMedFlowを提案する。 MedFlowは、ベクトル量子化マルチスケールトークンーザを使用して、補完的な時間分解能で医療シーケンスを表現する。 クラス条件トークン統計を直接フローマッチングプロセスに組み込むToken Marginal Guidanceは、クラス固有の領域へのステアリングを生成する。
  論文  参考訳（メタデータ） (2026-09-04T07:02:12Z)
• Aionoscope: Debugging Latent-State Accessibility in Time-Series Representations [59.34593956287438]
  Aionoscope(アイオノスコープ)は、凍結した時系列表現における潜在状態のアクセシビリティを検査するための診断ツールである。 アイオノスコープはプロセス生成を観察レンダリングから切り離し、正確な分類と密度のラベルを持つシード合成ストリームを生成する。
  論文  参考訳（メタデータ） (2026-07-01T13:54:20Z)
• Timesynth: A Temporal Fidelity Framework for Health Signal Digital Twins [0.0]
  Time Synthは、健康信号デジタル双生児のための制御されたベンチマークフレームワークである。 これは、実際の脳波、心電図、光胸波信号に適合するパラメトリックモデルから、解析的に知られた地動特性を持つ信号を生成する。 Time Synthは、モデルが患者データに結合される前に、制御された前臨床ストレステストが欠如しているのに対して、再利用可能なジェネレータとフィデリティ対応開発のための診断装置を提供する。
  論文  参考訳（メタデータ） (2026-07-01T04:42:58Z)
• Not All Tokens Matter Equally: Dynamic In-context Vector Distillation with Decisive-Token Supervision for Long-form Medical Report Generation [27.665331090771634]
  隠れ空間の介入へのデモンストレーション効果の蒸留は、完全な微調整に代わる軽量な代替手段を提供する。 既存のマルチモーダル変種は、ほとんどの場合、いくつかのトークンの後に出力が終了するショートフォームタスクで評価される。 本稿では,2つの相補的なメカニズムによる長期レポート生成に対処する冷凍バックボーン蒸留フレームワークであるDIVEを提案する。
  論文  参考訳（メタデータ） (2026-05-26T15:46:00Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• CAWN: Continuous Acoustic Wave Networks for Autoregressive Language Modeling [46.16066322190728]
  完全連続配列混合アーキテクチャであるCAWN(Continuous Acoustic Wave Network)を導入する。 CAWNは離散行列ベースの注意を代わりに、多面体複素ドメインファサーに隠された状態を計画している。 超長コンテキスト上での信号劣化を防止するため,デュアルゲート選択位相共振機構を導入する。
  論文  参考訳（メタデータ） (2026-04-05T20:13:22Z)
• EndoIR: Degradation-Agnostic All-in-One Endoscopic Image Restoration via Noise-Aware Routing Diffusion [46.28090293978096]
  内視鏡画像はしばしば、低照度、煙、出血などの多彩で共起的な劣化に悩まされる。 既存の復元方法は一般にタスク固有であり、しばしば分解型の事前知識を必要とする。 単一モデルを用いて複数の劣化型を復元する,劣化非依存拡散に基づくフレームワークであるEndoIRを提案する。
  論文  参考訳（メタデータ） (2025-11-08T06:17:51Z)
• QualityFM: a Multimodal Physiological Signal Foundation Model with Self-Distillation for Signal Quality Challenges in Critically Ill Patients [3.744688073010934]
  Photoplethysmogram(PSG)とElectrocardiogram(ECG)は一般的にICU(ICU)と手術室(OR)に記録されている。 これまでに調査された手法は、限定的な一般化可能性、広範なラベル付きデータへの依存、およびクロスタスク転送性に悩まされている。 本稿では,これらの生理的信号に対する新しいマルチモーダル基礎モデルであるQualityFMを紹介する。
  論文  参考訳（メタデータ） (2025-09-08T10:20:56Z)
• Versatile Cardiovascular Signal Generation with a Unified Diffusion Transformer [41.095491708125515]
  低品質な信号を再構成し、記録されていない信号を合成するマルチモーダル拡散変換器UniCardioを提案する。 心臓血管信号の相補的な性質を生かして、UniCardioは、近年のタスク固有のベースラインよりも明らかに優れている。 これらのアドバンテージは、UniCardioをAI支援ヘルスケアの前進のための有望な道と位置づけている。
  論文  参考訳（メタデータ） (2025-05-28T12:45:39Z)
• Ctrl-GenAug: Controllable Generative Augmentation for Medical Sequence Classification [16.02675888386905]
  Ctrl-GenAugは新規で汎用的な生成拡張フレームワークである。 高度に意味論的およびシーケンシャルな塩基配列合成を可能にし、誤って合成されたサンプルを抑圧する。
  論文  参考訳（メタデータ） (2024-09-25T16:58:19Z)
• AdaIN-Switchable CycleGAN for Efficient Unsupervised Low-Dose CT Denoising [46.0231398013639]
  スイッチング可能な1つのジェネレータを用いた新しいサイクルGANアーキテクチャを提案する。 提案手法は,約半数のパラメータを用いて,前回のCycleGAN手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-08-13T08:30:23Z)

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。