論文の概要: Global Time-Aware Conditioning (GTC): A Mechanism for Time-Aware Pediatric Sleep Representation Learning

• arxiv url: http://arxiv.org/abs/2610.26618v1
• Date: Mon, 19 Oct 2026 15:53:47 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:18:03.760708
• Title: Global Time-Aware Conditioning (GTC): A Mechanism for Time-Aware Pediatric Sleep Representation Learning
• Title（参考訳）: グローバル・タイムアウェア・コンディショニング(GTC: Global Time-Aware Conditioning) : 小児睡眠表出学習のメカニズム
• Abstract要約: 我々は,各入力ウィンドウのグローバル・タイム・オブ・スリープに潜在表現を条件付けることで,局所的な位置エンコーディングを補完する機構であるグローバル・タイム・アウェア・コンディショニング(GTC)を導入する。 GTCは一般的にアーキテクチャやタスク全体にわたってF1とAUPRCを改善し、コホート間転送ではゲインが持続する。
• 参考スコア（独自算出の注目度）: 2.0391237204597363
• License:
• Abstract: Sleep physiology evolves throughout the night, with changes in sleep cycles, respiratory stability, and cardiovascular dynamics. However, self-supervised learning (SSL) methods for sleep typically process short, fixed-duration windows without explicitly modeling where each window occurs within the full sleep session. We introduce Global Time-Aware Conditioning (GTC), a mechanism that complements local positional encodings by conditioning latent representations on the global time-of-sleep of each input window. We integrate GTC into three representative SSL frameworks and evaluate them on five clinically relevant tasks with extreme class imbalance across two independent pediatric cohorts. GTC generally improves F1 and AUPRC across architectures and tasks, with gains persisting under cross-cohort transfer, highlighting the value of global temporal context for sleep representation learning.
• Abstract（参考訳）: 睡眠生理学は夜間を通じて進化し、睡眠周期、呼吸安定性、心血管動態が変化する。 しかしながら、睡眠のための自己教師付き学習(SSL)メソッドは、通常、完全な睡眠セッション内で各ウィンドウがどこで発生しているかを明示的にモデル化することなく、短く、固定されたスケジュールのウィンドウを処理します。 我々は,各入力ウィンドウのグローバル・タイム・オブ・スリープに潜在表現を条件付けることで,局所的な位置エンコーディングを補完する機構であるグローバル・タイム・アウェア・コンディショニング(GTC)を導入する。 我々はGTCを3つの代表的なSSLフレームワークに統合し、2つの独立した小児コホートにまたがる極端なクラス不均衡を伴う5つの臨床的関連課題について評価する。 GTCは一般的に、アーキテクチャやタスク間でF1とAUPRCを改善し、クロスコホート転送の下でのゲインを持続させ、睡眠表現学習におけるグローバルな時間的コンテキストの価値を強調している。

関連論文リスト

• SWINSleepNet: A Hierarchical Context-Aware Framework for Sleep Staging (v2) [3.911341147858216]
  伝統的なエポックレベルのエンコーダは、微妙な時間的ミクロ構造とエポック内部のクロスリージョン相互作用を抽出することができない。 スウィンスリープネット (SwinSleepNet) は、階層型文脈対応の双方向ストリームフレームワークで、エポック内表現学習とエポック間文脈モデリングを個別に最適化する。 本手法は,難易度の高いN1段および過渡期において,強靭性と安定性を示す。
  論文  参考訳（メタデータ） (2026-08-03T13:07:49Z)
• Omni-Sleep: A Sleep Foundation Model via Hierarchical Contrastive Learning of CNS-ANS Dynamics [13.009463605294604]
  我々は、CNS/ANSパーティションを表現学習の生理的先行として利用する睡眠基盤モデルであるOmni-Sleepを紹介する。 マルチセンターマルチモーダルPSGデータを10万時間以上事前トレーニングしたOmni-Sleepは、睡眠ステージングとマルチディスリーズ分類に基づいて評価される。
  論文  参考訳（メタデータ） (2026-07-04T13:45:39Z)
• Do Language Models Need Sleep? Offline Recurrence for Improved Online Inference [58.46323651532913]
  本研究では,モデルが周期的に最新のコンテキストを持続的な高速重みに変換する睡眠様統合機構について検討する。 睡眠中、モデルは蓄積したコンテキストにN$のオフラインリカレントパスを実行し、状態空間モデルの高速な重みを更新する。 睡眠時間の増加は,より深い推論を必要とする例では最大で,我々のモデルではN$の上昇がパフォーマンスを向上させることを示す。
  論文  参考訳（メタデータ） (2026-05-25T17:55:39Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• LatentEvolve: Self-Evolving Test-Time Scaling in Latent Space [66.71318175695988]
  Test-timeScaling (TTS) は、モデルパラメータを変更することなく、推論フェーズにおけるLarge Language Models (LLM) の推論能力を著しく向上することが実証されている。 本稿では,補完学習システム理論に触発された自己進化型潜在TSフレームワークであるLatentEvolveを提案する。
  論文  参考訳（メタデータ） (2025-09-29T13:37:39Z)
• LG-Sleep: Local and Global Temporal Dependencies for Mice Sleep Scoring [0.3141085922386211]
  この研究は、脳波(EEG)信号による睡眠スコアリング用に設計された、新しい主題に依存しないディープニューラルネットワークアーキテクチャであるLG-Sleepを紹介した。 LG-Sleepは脳波信号内の局所的および大域的時間的遷移を抽出し、睡眠データを3段階(覚醒、急速眼球運動(REM)睡眠、非急速眼球運動(NREM)睡眠)に分類する。
  論文  参考訳（メタデータ） (2024-12-19T21:39:57Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• A Theoretical Analysis of Self-Supervised Learning for Vision Transformers [66.08606211686339]
  マスク付きオートエンコーダ(MAE)とコントラスト学習(CL)は異なる種類の表現をキャプチャする。 我々は,MAEとCLの両目的に対して,一層ソフトマックス型視覚変換器(ViT)のトレーニングダイナミクスについて検討した。
  論文  参考訳（メタデータ） (2024-03-04T17:24:03Z)
• ProductGraphSleepNet: Sleep Staging using Product Spatio-Temporal Graph Learning with Attentive Temporal Aggregation [4.014524824655106]
  本研究では,協調時間グラフ学習のための適応型製品グラフ学習型グラフ畳み込みネットワークProductGraphSleepNetを提案する。 提案したネットワークにより、臨床医は学習した睡眠段階の接続グラフを理解し、解釈することができる。
  論文  参考訳（メタデータ） (2022-12-09T14:34:58Z)

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。