論文の概要: PPG-Bench: A Unified Benchmark for PPG Foundation Models

• arxiv url: http://arxiv.org/abs/2610.13435v1
• Date: Fri, 09 Oct 2026 11:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.554473
• Title: PPG-Bench: A Unified Benchmark for PPG Foundation Models
• Title（参考訳）: PPG-Bench: PPGファウンデーションモデルの統一ベンチマーク
• Abstract要約: 光胸腺撮影 (PPG) はウェアラブルや臨床機器によって大規模に記録されている。 PPGファンデーションモデル(FM)は、様々な下流タスクに対する再利用可能な表現を計算するために開発されている。 PPG-Benchは、9つのオープンアクセスデータセット、26のタスクにまたがる心臓血管状態の推定、睡眠、スクリーニング、識別の5つの公開PSG FMを評価する、統一されたオープンソースベンチマークである。
• 参考スコア（独自算出の注目度）: 6.383771493909507
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Photoplethysmography (PPG) is increasingly recorded by wearable and clinical devices at enormous scale, and a growing number of PPG foundation models (FMs) have been developed to compute reusable representations for various downstream tasks. These models are difficult to compare: different evaluations use different datasets, task definitions, preprocessing, downstream heads, hyperparameter tuning, and baselines. We present PPG-Bench, a unifying open-source benchmark evaluating five public PPG FMs across nine open-access datasets and 26 tasks spanning cardiovascular state estimation, activity, sleep, screening, and identification. We evaluate models under four downstream regimes of increasing adaptability (linear probing, random forests, frozen MLP probes, and end-to-end finetuning), with model-specific hyperparameter optimization and subject-disjoint cross-validation. We also evaluate against three controls: random/constant baseline, a deterministic pulse-rate-variability (PRV) feature set, and a generic time-series FM (MOMENT). Across all 68 task-regime combinations, 35.3% show no meaningful FM advantage over the random/constant baseline, and in 83.8% no PPG-specific FM outperforms both PRV and MOMENT. We also find that added downstream head capacity generally improves performance, but can cause significant degradation if the model is performing at chance/constant level. Current PPG FMs therefore cannot yet claim to provide generalised and transferrable representations of PPG signals, and future evaluation in this field should include checks against simple, non-learned controls. Code for the benchmark and instructions to evaluate more models can be found here - https://github.com/mannas-ai/ppg-bench.
• Abstract（参考訳）: 光プラチスモグラフィー(PPG)はウェアラブルや臨床機器によって大規模に記録され、様々な下流タスクに対する再利用可能な表現を計算するために、多くのPDG基盤モデル(FM)が開発されている。 異なる評価では、異なるデータセット、タスク定義、前処理、下流ヘッド、ハイパーパラメータチューニング、ベースラインを使用する。 PPG-Benchは、9つのオープンアクセスデータセット、26のタスクにまたがる心臓血管状態の推定、アクティビティ、睡眠、スクリーニング、識別の5つの公開PPG FMを評価する、統一されたオープンソースベンチマークである。 適応性の向上(線形探索,ランダム森林,凍結型MLPプローブ,エンド・ツー・エンドファインタニング)の下流4つの条件下でのモデルの評価を行い,モデル固有ハイパーパラメータ最適化と主観的非結合型クロスバリデーションを行った。 また、ランダム/コンスタントベースライン、決定論的パルスレート可変性(PRV)機能セット、一般的な時系列FM(MOMENT)の3つの制御について評価した。 68のタスク/登録の組み合わせ全体では、35.3%はランダム/コンスタントベースラインに対して有意義なFMの優位性を示しておらず、83.8%ではPPG固有のFMがPRVとMOMENTの両方より優れていなかった。 また、下流のヘッド容量を追加することで、一般的に性能が向上するが、もしモデルが偶然/不安定なレベルで実行されている場合、大幅に劣化する可能性があることも判明した。 したがって、現在の PPG FM は、PSG 信号の一般化および転送可能な表現をまだ提供していないし、この分野での今後の評価には、単純で非学習的な制御に対するチェックを含めるべきである。 ベンチマークのコードと、より多くのモデルを評価するためのインストラクションは、以下のとおりである。

関連論文リスト

• A robust PPG foundation model using multimodal physiological supervision [7.441186015526675]
  光胸腺造影は、血液量の変化を非侵襲的に測定する尺度である。 最近の PPG ファンデーションモデルは、キュレートされたデータを必要とする事前トレーニングパラダイムを備えたオープンソースの ICU データセットを使用するか、あるいはクローズドソースのフィールドライクな PPG データを使用する。 そこで本研究では,ICUデータセットにおける心電図と呼吸信号とを併用して,事前トレーニング中のコントラストサンプルを選択することを目的として,高品質・フィールドライクな事前トレーニングデータを必要としないPSG基盤モデルを提案する。
  論文  参考訳（メタデータ） (2026-06-05T15:08:50Z)
• Cross-View Attention Fusion Net: A Prior-Guided Dual-View Representation Learning for Cardiac Output Estimation from Short-Term PPG Signals [4.906669147334531]
  CVAF-Net (Cross-View Fusion Network) は、短い長さのPSGセグメントからCO推定を行うための、事前誘導されたデュアルビュー深層学習モデルである。 CVAF-Netは、生PSGを時間ビューとして、特徴系列マップ(FSM)を構造化された事前誘導ビューとして処理し、2つの表現をクロスビューアテンションを通じて融合する。
  論文  参考訳（メタデータ） (2026-05-19T10:59:49Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• To What Extent Do Token-Level Representations from Pathology Foundation Models Improve Dense Prediction? [37.65240257885383]
  PFM-DenseBenchは高密度病理学予測のための大規模ベンチマークである。 我々は18の公開セグメンテーションデータセットにまたがる17のPFMを評価する。 統一されたプロトコルの下では、異なるPFMがいつ、なぜ成功または失敗するのかについて、洞察に富んだ実践指向の知見を導き出す。
  論文  参考訳（メタデータ） (2026-02-03T03:54:57Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• Single GPU Task Adaptation of Pathology Foundation Models for Whole Slide Image Analysis [8.076987502347327]
  病理基盤モデル(PFM)は、スライド画像全体(WSI)を解析するための強力なツールとして登場した。 TAPFMは、特徴表現と注目重みの両方を最適化しながら、MILアグリゲーションに視覚変換器(ヴィット)アテンションを使用する。 膀胱癌および肺腺癌に対する突然変異予測タスクの評価。
  論文  参考訳（メタデータ） (2025-06-05T15:56:45Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• ZooD: Exploiting Model Zoo for Out-of-Distribution Generalization [65.58562481279023]
  PTMのランク付けと特徴選択によるアンサンブルのためのパラダイムであるZooDを提案する。 我々は,多様なアウト・オブ・ディストリビューション(OoD)タスクのための35のモデルからなる多様なモデル動物園において,我々のパラダイムを評価する。
  論文  参考訳（メタデータ） (2022-10-17T16:31:57Z)

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。