論文の概要: PulseBound: Future-Beat State Forecasting Under an Explicit Information Boundary

• arxiv url: http://arxiv.org/abs/2610.12010v1
• Date: Thu, 08 Oct 2026 14:10:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.071634
• Title: PulseBound: Future-Beat State Forecasting Under an Explicit Information Boundary
• Title（参考訳）: PulseBound: 明示的な情報境界の下での未来のビート状態予測
• Abstract要約: 我々はPulseBoundを紹介した。PulseBoundは、生理学的に構造化された将来予測と明示的なストアウインドウ情報境界を組み合わせたPSG表現学習機である。 保存された接尾辞の介入は、予測コンテキストや予測において記録された変化をゼロにし、監査された精度で接尾辞入力勾配をゼロにする。 これらの知見は, 情報アクセス, 教師付き将来の構造, 伝達という, 予測的生理的表現学習の3つの実証可能な側面を分離した。
• 参考スコア（独自算出の注目度）: 26.073222670605883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive representation learning from photoplethysmography (PPG) can violate causal information access even with causal attention, as normalization, nonlocal transforms, or companion views may depend on withheld samples. We introduce PulseBound, a PPG representation learner combining physiologically structured future-beat prediction with an explicit stored-window information boundary. A content-independent cutoff separates the visible prefix from the prediction target. Prefix-only normalization, suffix replacement before derived-view construction, and aligned masking ensure that encoder inputs depend only on the visible prefix and cutoff. This yields stored-suffix invariance: with fixed model state, randomness, prefix, and cutoff, changing the stored suffix cannot change the forecast context. A shared horizon-conditioned head predicts nine rhythm and morphology descriptors for up to four extractor-valid future beats, using elementwise validity masks; optional ECG-derived pulse-arrival-time supervision is restricted to training. On MIMIC and VitalDB groups held out from PulseBound backbone pretraining, PulseBound reduces nine-state transformed-space MAE relative to last-visible-beat persistence by 28.06% and 22.22%, respectively, with gains in MAE, MAE-Skill, and Spearman correlation across all 40 source-cutoff-horizon cells. In a separate comparison of seven models on 13 downstream tasks, PulseBound achieves the best mean on nine frozen linear-probe and seven full-fine-tuning tasks. Stored-suffix interventions cause zero recorded changes in forecast contexts or predictions, with zero suffix-input gradients at audited precision under the stored-window interface. These findings separate three testable aspects of predictive physiological representation learning: information access, supervised future structure, and transfer.
• Abstract（参考訳）: 光胸腺撮影(PPG)からの予測的表現学習は、正常化、非局所変換、または相補的ビューが保持されていないサンプルに依存するため、因果的注意を伴っても因果的情報アクセスに違反する可能性がある。 我々はPulseBoundを紹介した。PulseBoundは、生理学的に構造化された将来予測と明示的なストアウインドウ情報境界を組み合わせたPSG表現学習機である。 コンテンツ非依存のカットオフは、目に見えるプレフィックスと予測ターゲットとを分離する。 プリフィックスのみの正規化、派生ビュー構築前の接尾辞置換、アライメントマスキングにより、エンコーダの入力は目に見えるプレフィックスとカットオフにのみ依存する。 固定されたモデル状態、ランダム性、プレフィックス、カットオフにより、保存されたサフィックスを変更することは予測コンテキストを変更することができない。 共有水平条件付きヘッドは、要素的妥当性マスクを用いて最大4回の抽出器価将来のビートに対する9つのリズムおよび形態記述子を予測し、オプションのECG由来パルス時間監視は訓練に制限される。 MIMIC と VitalDB のグループは、PulseBound のバックボーンプレトレーニングで保持されており、PulseBound は最後の可視光持続率に対して 9 状態の変換空間 MAE を 28.06% と 22.22% に減らし、MAE 、MAE-スキル、スピアマンの相関は 40 個のソースカットホライゾン細胞全てで増加している。 13の下流タスクにおける7つのモデルの比較において、PulseBoundは9つの凍結線形プローブと7つのフルファインチューニングタスクにおいて最高の平均を達成する。 ストアド・サフィックスの介入は、予測コンテキストや予測における記録された変化をゼロにし、ストアド・ウインドウインタフェース下での監査精度でのサフィックス・インプット勾配をゼロにする。 これらの知見は, 情報アクセス, 教師付き将来の構造, 伝達という, 予測的生理的表現学習の3つの実証可能な側面を分離した。

関連論文リスト

• MPGE: A Multi-Perspective Graph Explainer for Molecular Classification Explanation [1.6921396880325779]
  グラフニューラルネットワーク(GNN)は化学グラフデータから分子特性を予測するが、予測精度はグラフ情報がどのように個々の決定をサポートするかを説明するものではない。 本稿では,Multi-Perspective Graph Explainer (MPGE)を提案する。 MUTAG, 変異原性, AIDS, COX2_MD, BBBPのGCN実装について, セマンティックカバレッジ, 条件品質, 安定性, ランタイムを用いて検討した。
  論文  参考訳（メタデータ） (2026-10-08T14:28:47Z)
• Residual-Stream Burden Shapes Representation Learning in Diffusion Transformers [74.0530486095232]
  拡散ベースの生成では、ニューラルネットワークをトレーニングして、ノイズやノイズの入力からクリーンなデータを予測することができる。 最終読み出しの深さを通したノイズ依存入力変動を維持するために,雑音のターゲットは残差ストリームを必要とすると論じる。 スペクトル集中されたクリーンターゲットは、より軽量な要求を課し、その後の計算のために隠れた表現を整理する自由を保ちます。
  論文  参考訳（メタデータ） (2026-09-27T20:17:39Z)
• Phenomenon-Graph JEPA: Label-Efficient Representation Learning for Contactless Cardiorespiratory Sensing [9.669984249536286]
  Phenomenon-Graph JEPAは、負のペアや合成拡張を伴わない4つの処理された1次元ストリームから学習する。 プレトレーニング中、モデルは、同じ生理現象に割り当てられたストリームを接続するタイプ付きエッジに沿って、停止対象の埋め込みを予測する。 この研究は、予測表現の測定上の利点を、トレーニングの組織化に使用される生理的事前から切り離している。
  論文  参考訳（メタデータ） (2026-09-26T20:38:42Z)
• Beyond Average Error through Oracle-Informed Stress Tests for Time-Series Forecasting [34.76483563088126]
  平均二乗誤差は、予測性能が低下するのは、未来が予測不可能になるためなのか、あるいは、予測が条件平均から遠く離れているためなのかを明らかにすることができない。 本研究では,各リード時間における2乗誤差の変化を環境リスクと予測軌道距離に分解する機構制御型ストレステストを導入する。
  論文  参考訳（メタデータ） (2026-09-19T06:42:49Z)
• Nearly Optimal Bayesian Inference for Structural Missingness [23.988531482641307]
  ベイズ的な見方では、後続の予測分布による予測は、完全なモデル後続の不確実性の上に統合される。 このフレームワークは、(II)ラベル予測からモデル内の欠損値後部を学習し、予測後部分布を最適化する。 43の分類と15の計算ベンチマークでSOTAを達成し、ベイズ最適性保証の近くに有限サンプルを持つ。
  論文  参考訳（メタデータ） (2026-01-26T14:03:11Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Learning to Mask and Permute Visual Tokens for Vision Transformer Pre-Training [55.12082817901671]
  我々はMasked and Permuted Vision Transformer(MaPeT)という自己教師型事前学習手法を提案する。 MaPeTは、自動回帰および置換予測を使用して、パッチ内依存関係をキャプチャする。 以上の結果から,MaPeTはベースラインやコンペティターと同一のモデル設定で比較して,ImageNet上での競合性能を実証した。
  論文  参考訳（メタデータ） (2023-06-12T18:12:19Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)

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。