論文の概要: RECAST: Recent & Context-Aware Sampling for Test-Time Adaptation in Streaming Biosignals

• arxiv url: http://arxiv.org/abs/2608.28271v1
• Date: Fri, 28 Aug 2026 12:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.328948
• Title: RECAST: Recent & Context-Aware Sampling for Test-Time Adaptation in Streaming Biosignals
• Title（参考訳）: RECAST: ストリーミングバイオシグナーにおけるテスト時間適応のための最近のコンテキスト認識サンプリング
• Authors: Yong-Yeon Jo, Junho Song, Joon-myoung Kwon,
• Abstract要約: 生体信号のストリーミングは被験者によって異なり、時間とともにドリフトする。 テスト時間適応(TTA)は、入ってくるサンプルのモデルを更新することで、オンラインのパーソナライズを可能にする。 バッファリングされたTTAフレームワークのための軽量サンプリングモジュールである textbfRECAST (Recent & Context-Aware Sampling for TTA) を提案する。
• 参考スコア（独自算出の注目度）: 4.510104714573981
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Streaming biosignals vary across subjects and drift over time, so population-trained models lose accuracy during long-term monitoring. Test-time adaptation (TTA) enables online personalization by updating the model on incoming samples. But in a stream, a basic question is left open: \emph{which samples should drive each update?} Using all buffered samples blurs the update with irrelevant segments. Using only the latest segment makes the update noisy and unstable. The most useful samples are recent, aligned with the current physiological state, and reliable enough to learn from. We propose \textbf{RECAST} (REcent \& Context-Aware Sampling for TTA), a lightweight sampling module for buffered TTA frameworks. RECAST builds each adaptation batch from three signals: temporal recency, contextual similarity, and predictive reliability. It changes only which samples are used, leaving the model and the training objective unchanged. On two blood-pressure datasets, RECAST improves estimation accuracy and trend tracking over baselines and ablations. The per-patient gains are statistically significant on both datasets, with broad improvement on the regular benchmark and gains concentrated on the hardest patients in the emergency-department setting. RECAST stays practical, adding only sub-second latency per segment on a single GPU and CPU core.
• Abstract（参考訳）: 生体信号のストリーミングは被験者によって異なり、時間とともにドリフトする。 テスト時間適応(TTA)は、入ってくるサンプルのモデルを更新することで、オンラインのパーソナライズを可能にする。 しかしストリームでは、基本的な質問がオープンにされている: \emph{ どのサンプルを更新毎に駆動すべきか? バッファ化されたすべてのサンプルを使用することで、更新は無関係なセグメントで曖昧になる。 最新のセグメントのみを使用することで、更新が騒々しく不安定になる。 最も有用なサンプルは最近のもので、現在の生理状態と一致しており、そこから学ぶのに十分な信頼性がある。 本稿では,バッファリングTTAフレームワーク用の軽量サンプリングモジュールであるtextbf{RECAST} (Recent \& Context-Aware Smpling for TTA)を提案する。 RECASTは、各適応バッチを3つの信号から構築する。 サンプルのみが変更され、モデルとトレーニングの目的は変わらない。 2つの血圧データセット上では、RECASTはベースラインとアブレーションよりも推定精度とトレンドトラッキングを改善している。 患者一人当たりの利得は、両方のデータセットで統計的に有意であり、通常のベンチマークでは広範囲に改善され、救急所で最も難しい患者に集中している。 RECASTは実用的であり、単一のGPUとCPUコアにセグメント毎に秒未満のレイテンシを追加するだけである。

関連論文リスト

• TTA-Vid: Generalized Test-Time Adaptation for Video Reasoning [54.70019148172847]
  テスト時強化学習(Test-Time Reinforcement Learning)のパラダイムをビデオ言語データに活用することにより,事前学習されたモデルを明示的なラベルなしで,テスト時のビデオサンプルに適応させることができる。 ビデオアプローチのためのテスト時間適応(TTA-Vid)は、同時に動作する2つのコンポーネントを組み合わせる。 TTA-Vidは、様々なビデオ推論タスクで一貫した改善をもたらし、大規模データで訓練された最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-04-01T09:52:57Z)
• Test-Time Adaptation with Binary Feedback [50.20923012663613]
  BiTTAは、不確実なサンプルに対するバイナリフィードバック誘導適応と、確実な予測に対する合意に基づく自己適応のバランスをとる、新しいデュアルパス最適化フレームワークである。 実験の結果、BiTTAは最先端のベースラインよりも13.3%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-05-24T05:24:10Z)
• New Test-Time Scenario for Biosignal: Concept and Its Approach [2.5828021866862683]
  オンラインテスト時間適応(OTTA)は、テスト中にラベルのないデータでトレーニング済みのモデルを更新することで、モデルの堅牢性を高める。 ラベル付けされていないサンプルと時折ラベル付けされたサンプルのストリームで新しいテストタイムシナリオを導入する。 このフレームワークは教師付き学習と自己教師型学習を組み合わせて,データ型のバランスをとるために,二重キューバッファと重み付きバッチサンプリングを利用する。
  論文  参考訳（メタデータ） (2024-11-26T14:54:02Z)
• DOTA: Distributional Test-Time Adaptation of Vision-Language Models [69.41389326333771]
  トレーニングデータとテストデータの間に大きな分散ギャップが存在する場合、視覚言語の基礎モデルは信頼できない。 本稿では,DOTA(DistributiOnal Test-time Adaptation)を提案する。 この分散中心のアプローチは、モデルが継続的に学習し、デプロイメント環境に適応することを可能にする。
  論文  参考訳（メタデータ） (2024-09-28T15:03:28Z)
• Diversity-aware Buffer for Coping with Temporally Correlated Data Streams in Online Test-time Adaptation [3.1265626879839923]
  テストデータストリームは必ずしも独立であり、同じ分散(すなわちd)であるとは限らない。 非i.d.シナリオであっても、i.d.データストリームをシミュレートできるダイバーシティ対応およびカテゴリバランスバッファを提案する。 我々は、最も検討されたベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-01-02T01:56:25Z)
• SoTTA: Robust Test-Time Adaptation on Noisy Data Streams [9.490557638324084]
  テスト時間適応(TTA)は、トレーニングとテストデータの分散シフトに対処することを目的としている。 ほとんどのTTAメソッドは良質なテストストリームを仮定するが、テストサンプルは野生では意外に多様である可能性がある。 ノイズの多いサンプルに対して頑健な新しいTTAアルゴリズムであるScreening-out Test-Time Adaptation (SoTTA)を提案する。
  論文  参考訳（メタデータ） (2023-10-16T05:15:35Z)
• Robust Continual Test-time Adaptation: Instance-aware BN and Prediction-balanced Memory [58.72445309519892]
  テストデータストリーム以外のデータストリームに対して堅牢な新しいテスト時間適応方式を提案する。 a)分布外サンプルの正規化を修正するIABN(Instance-Aware Batch Normalization)と、(b)クラスバランスのない方法で非i.d.ストリームからのデータストリームをシミュレートするPBRS(Predict- Balanced Reservoir Sampling)である。
  論文  参考訳（メタデータ） (2022-08-10T03:05:46Z)
• Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
  テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。 また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
  論文  参考訳（メタデータ） (2022-04-06T06:39:40Z)

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。