論文の概要: DCRA: Diffusion-Conditioned Representation Alignment for Robust Time-Series Learning
- arxiv url: http://arxiv.org/abs/2609.11997v1
- Date: Wed, 09 Sep 2026 22:52:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.484028
- Title: DCRA: Diffusion-Conditioned Representation Alignment for Robust Time-Series Learning
- Title（参考訳）: DCRA:ロバストな時系列学習のための拡散畳み込み表現アライメント
- Abstract要約: 本稿では,表現学習のための構造化汚職スケジューラとして,前方拡散過程を再利用したトレーニングフレームワークを提案する。
DCRAは、ベースラインモデルや拡散専用モデルと比較して、よりバランスよく、構造化された表現を生成する。
- 参考スコア（独自算出の注目度）: 7.328100870402178
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Learning robust representations for time-series signals under noise and distribution shifts remains challenging, especially in clinical applications such as electroencephalogram (EEG) and electrocardiogram (ECG) analysis. We propose Diffusion-Conditioned Representation Alignment (DCRA), a training framework that repurposes the forward diffusion process as a structured corruption scheduler for representation learning. Different from conventional augmentation and consistency-based methods that rely on independently sampled perturbations, DCRA introduces a structured corruption trajectory via the diffusion forward process, which enables continuous and controlled representation evolution across noise levels. We introduce a feature-level consistency objective that aligns representations across noise levels while preserving class-discriminative structure. This mechanism promotes structure-preserving consistency, which enables smooth and semantically coherent feature trajectories in latent space. The proposed framework is encoder-agnostic and can be integrated with state space models and Transformer architectures. The seizure detection experiments on the CHB-MIT EEG dataset show that DCRA consistently improves performance under multiple noise conditions and achieves higher sensitivity at low false-positive rates. Analysis reveals that DCRA produces more balanced and structured representations compared to baseline and diffusion-only models. These findings highlight the benefit of combining structured corruption with representation alignment for robust time-series learning.
- Abstract（参考訳）: 脳波(EEG)や心電図(ECG)などの臨床応用において、ノイズや分布シフトの下での時系列信号の堅牢な表現の学習は依然として困難である。
本研究では,表現学習のための構造化汚職スケジューラとして,前方拡散過程を再利用したトレーニングフレームワークであるDiffusion-Conditioned Representation Alignment (DCRA)を提案する。
独立にサンプリングされた摂動に依存する従来の拡張法や一貫性に基づく手法とは異なり、DCRAは拡散前進過程を通じて構造化された汚い軌道を導入し、ノイズレベルの連続的かつ制御された表現の進化を可能にする。
我々は,クラス識別構造を保ちながら,雑音レベルの表現を整列させる特徴レベルの一貫性の目標を提案する。
このメカニズムは構造保存一貫性を促進し、潜在空間における滑らかでセマンティックな特徴トラジェクトリを可能にする。
提案するフレームワークはエンコーダに依存しないもので、状態空間モデルやTransformerアーキテクチャと統合することができる。
CHB-MIT EEGデータセットにおける発作検出実験により、DCRAは複数のノイズ条件下で連続的に性能を改善し、低い偽陽性率で高い感度を達成することが示された。
解析により、DCRAはベースラインモデルや拡散専用モデルと比較して、よりバランスよく、構造化された表現を生成することが明らかになった。
これらの知見は、構造化汚職と表現アライメントを組み合わせることで、堅牢な時系列学習の利点を浮き彫りにした。
関連論文リスト
- Hierarchical Policy Learning via Spectral Decomposition [58.65543693788772]
ロボットの動作シーケンスにおける意味的分解を識別し,タスクレベルの動作意図と実行レベルの改善を分離する。
本稿では, 因果的粗大化過程として行動生成をモデル化した因果スペクトルポリシー(CSP)を提案する。
CSPは、精度に敏感な操作タスクにおいて、強いベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-06-28T19:22:40Z) - Effective Covariance Dynamics in Solvable High-Dimensional GANs [2.639628765667673]
線形生成器がデータから低次元部分空間を学習するGANトレーニングの可解な高次元モデルについて検討する。
顕微鏡トレーニングプロセスが高次元の極限において、この効果的な共分散によって支配される決定論的常微分方程式に収束することを証明する。
論文 参考訳（メタデータ） (2026-06-25T16:33:54Z) - On the Redundancy of Timestep Embeddings in Diffusion Models [3.0458514384586404]
拡散モデルは、様々なノイズスケールにわたる除音過程を変調するために、明示的な時間ステップの埋め込みに大きく依存する。
本研究では, ある条件下では, 時間経過条件を明示することなく, 拡散訓練対象のグローバル最小化を実現することができることを示す理論的枠組みを提案する。
分析の結果、これらのアーキテクチャは、特定の仮定の下で破損した入力から暗黙的にノイズスケールを推測し、明示的な時間的条件付けを冗長にすることができることが示唆された。
論文 参考訳（メタデータ） (2026-06-18T16:01:39Z) - RankVR: Low-Rank Structure Perception and Value Recalibration for Robust Composed Image Retrieval [24.383054290279173]
RankVRは、グローバルな構造整合性と動的値知覚を通じて、堅牢なコンポジションイメージ検索モデルを構築するために設計されたフレームワークである。
既存の最先端手法を著しく上回り、ノイズの多い環境でその優れた堅牢性を検証する。
論文 参考訳（メタデータ） (2026-06-10T06:06:34Z) - AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - WISTERIA: Learning Clinical Representations from Noisy Supervision via Multi-View Consistency in Electronic Health Records [1.585843510099207]
WISTERIAは弱教師付き表現学習フレームワークである。
誘導されたラベル分布の一貫性を強制することで表現を学習する。
標準のEHRベンチマークで予測パフォーマンスが向上する。
論文 参考訳（メタデータ） (2026-05-10T21:25:41Z) - Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。
In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。
IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
論文 参考訳（メタデータ） (2026-03-11T06:14:11Z) - A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification [0.0]
隠れ状態表現における時間的一貫性を強制する規則化された正規化戦略を導入するための表現一貫性を持つゲートリカレントフレームワーク(RC-GRF)を提案する。
提案するフレームワークはモデルに依存しないため,内部ゲーティング機構を変更することなく,既存のゲート型リカレントアーキテクチャに統合することができる。
論文 参考訳（メタデータ） (2026-02-10T17:16:49Z) - DiffRegCD: Integrated Registration and Change Detection with Diffusion Features [74.3102451211493]
DiffRegCDは、単一のモデルで密度の高い登録と変更検出を統一する統合フレームワークである。
空中(LEVIR-CD, DSIFN-CD, WHU-CD, SYSU-CD)と地上(VL-CMU-CD)のデータセットによる実験は、DiffRegCDが最近のベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2025-11-11T07:32:19Z) - Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。
我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。
画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
論文 参考訳（メタデータ） (2025-10-03T14:00:32Z) - Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。
意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。
提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
論文 参考訳（メタデータ） (2025-06-06T03:20:32Z)
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。