論文の概要: RAE-PPG: Duration-Grounded Retain-and-Extend Pretraining for PPG Foundation Models

• arxiv url: http://arxiv.org/abs/2609.36794v1
• Date: Tue, 29 Sep 2026 06:05:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.226257
• Title: RAE-PPG: Duration-Grounded Retain-and-Extend Pretraining for PPG Foundation Models
• Title（参考訳）: RAE-PPG: PPGファンデーションモデルのための持続的保持・拡張事前訓練
• Abstract要約: 本研究では,Retain-and-Extend (RAE-)を導入し,1つのTransformerエンコーダを10秒,30秒,240秒の入力でトレーニングする。 エンコーダは、期間固有のパラメータグループに分割され、後のステージでは、現在のステージに割り当てられたグループのみを更新しながら、以前のグループを再利用することができる。 8つのデータセットから18タスクにわたって、最終凍結エンコーダは、既存の5つのPSG基盤モデルと比較して12タスクで観測された最良のスコアを達成している。
• 参考スコア（独自算出の注目度）: 0.6159771892460151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signal features derived from photoplethysmography (PPG) require different signal durations to characterize. Existing PPG foundation models treat duration as a pretraining or evaluation condition rather than using the different durations required by PPG features to organize self-supervision. We hypothesize that self-supervision should expand with signal duration, allowing a single encoder to progressively acquire additional features while preserving and reusing earlier learning. We introduce Retain-and-Extend PPG (RAE-PPG), which trains a single Transformer encoder successively on 10 s, 30 s, and 240 s inputs, adding supervision for signal features supported by each longer observation. The encoder is partitioned into duration-specific parameter groups, allowing later stages to reuse earlier groups while updating only the group assigned to the current stage. Selected earlier targets are reused to supervise later stages, encouraging the corresponding features to remain accessible in longer-input representations. Direct decoding from the final encoder shows that earlier features remain recoverable from longer-input representations, while later-stage features show higher mean decoding performance at their introduction durations. Controlled comparisons further show that prior-stage learning provides a better basis for learning newly introduced features at both transitions. Across 18 tasks from eight datasets, the final frozen encoder achieves the best observed score on 12 tasks compared with five existing PPG foundation models.
• Abstract（参考訳）: 光胸腺撮影(PPG)から導かれる信号の特徴は、特徴を特徴づけるために異なる信号持続時間を必要とする。 既存のPSGファンデーションモデルは、自己監督を組織するためにPSGの特徴が必要とする異なる期間を使用するのではなく、事前訓練または評価条件として扱う。 我々は、自己超越は信号の持続時間とともに拡大し、単一エンコーダが早期学習の保存と再利用をしながら、段階的に追加機能を取得することができると仮定する。 本研究では,Retain-and-Extend PPG(RAE-PPG)を導入し,1つのTransformerエンコーダを10秒,30秒,240秒の入力で連続的にトレーニングし,より長い観測で支援される信号特徴の監視を追加する。 エンコーダは、期間固有のパラメータグループに分割され、後のステージでは、現在のステージに割り当てられたグループのみを更新しながら、以前のグループを再利用することができる。 選択された以前のターゲットは、後段を監督するために再利用される。 最終エンコーダからの直接復号化は、初期機能がより長い入力表現から回復可能である一方で、後期機能は導入期間における平均復号性能が高いことを示している。 制御された比較は、前段階の学習が、両方の移行で新しく導入された機能を学ぶためのより良い基礎を提供することを示している。 8つのデータセットから18タスクにわたって、最終凍結エンコーダは5つの既存のPSG基礎モデルと比較して12タスクで観測された最良のスコアを達成する。

関連論文リスト

• Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
  外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T07:06:52Z)
• SHARP: Sleep-based Hierarchical Accelerated Replay for Long Range Non-Stationary Temporal Pattern Recognition [7.555597360852762]
  SHARP(Sleep-based Hierarchical Accelerated Replay)は、時間学習を2つの補完的なコンポーネントに分解するフレームワークである。 SHARPは、緩やかな睡眠中に、げっ歯類で観察される加速されたリプレイにインスパイアされ、時間的に構造化されたメモリトレースをアクセラレーションされた形で再生するオフライン(スリープ)フェーズを組み込む。
  論文  参考訳（メタデータ） (2026-05-30T13:55:02Z)
• Patch-Level Tokenization with CNN Encoders and Attention for Improved Transformer Time-Series Forecasting [0.0]
  本稿では,局所的時間的表現学習をグローバル依存モデルから分離する2段階予測フレームワークを提案する。 畳み込みニューラルネットワークは、固定長の時間的パッチで動作し、短距離時間的ダイナミクスと非線形特徴相互作用を抽出する。 その後、Transformerエンコーダがパッチ間の時間依存性をモデル化し、予測を生成する。
  論文  参考訳（メタデータ） (2026-01-18T16:16:01Z)
• PredNext: Explicit Cross-View Temporal Prediction for Unsupervised Learning in Spiking Neural Networks [70.1286354746363]
  Spiking Neural Networks (SNN)は、教師なし表現学習のための自然なプラットフォームを提供する。 現在の監視されていないSNNは、浅いアーキテクチャや局所的な可塑性ルールを採用しており、長期の時間的依存関係をモデル化する能力を制限する。 我々は,横断的なステップ予測とクリップ予測を通じて時間的関係を明示的にモデル化するPredNextを提案する。
  論文  参考訳（メタデータ） (2025-09-29T14:27:58Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• PRformer: Pyramidal Recurrent Transformer for Multivariate Time Series Forecasting [82.03373838627606]
  Transformerアーキテクチャにおける自己保持機構は、時系列予測において時間順序を符号化するために位置埋め込みを必要とする。 この位置埋め込みへの依存は、トランスフォーマーの時間的シーケンスを効果的に表現する能力を制限している、と我々は主張する。 本稿では,Prepreを標準的なTransformerエンコーダと統合し,様々な実世界のデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2024-08-20T01:56:07Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Split Time Series into Patches: Rethinking Long-term Series Forecasting with Dateformer [17.454822366228335]
  時間は時系列の最も重要な特徴の1つだが、あまり注目されていない。 本稿では、上記のプラクティスに従うのではなく、モデリング時間に注意を向けるDateformerを提案する。 ディザフォーマーは、40%の顕著な相対的な改善で最先端の精度を達成し、最大信頼性予測範囲を半年レベルに拡大する。
  論文  参考訳（メタデータ） (2022-07-12T08:58:44Z)

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。