PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27018v1cs.LG

GeoRVQ: 생체 신호의 잔차 토큰 예측을 위한 디코더 인식 기하학

GeoRVQ: Decoder-aware geometry for residual-token prediction in physiological signals

잔차 벡터 양자화(RVQ)는 생체 파형을 조밀한 토큰 시퀀스로 변환하지만, 기존의 마스크 모델링은 모든 잘못된 토큰을 동일한 비용으로 취급합니다. 본 논문에서는 목적 함수가 고정된(frozen) 파형 디코더의 국소 반응을 반영하는 대략적인 수준에서 세밀한 수준까지(coarse-to-fine) 마스크 토큰 모델인 GeoRVQ를 제안합니다. 디코더 유도 비용은 기하학 인식 소프트 타깃과 기대 왜곡을 정의하는 한편, 양자화기 인과적(quantizer-causal) 예측은 대략적인 수준부터 세밀한 수준까지 잔차 의존성을 따릅니다. MIMIC-IV Waveform, VitalDB 및 CODE-15%에 대한 종합 평가에서, GeoRVQ는 일치된 모델 및 학습 조건 하에 정확한 토큰 정확도를 $.133\pm.004$에서 $.143\pm.003$으로 높이고, 디코딩 거리를 $.606\pm.006$에서 $.393\pm.007$로 감소시키며, R-peak F1 점수를 $.784\pm.004$에서 $.837\pm.008$로 향상시킵니다. 45개의 미공개(held-out) 코드 대체 전반에서, 유클리드 코드워드 거리의 경우 $.54$인 데 반해 디코더 유도 비용은 실제 디코딩된 비용과 $.85$의 스피어만 상관계수를 보입니다. 이러한 결과는 디코더 인식 목적 함수가 정확한 토큰 정확도의 큰 증가를 요구하지 않고도 파형 및 이벤트 보존 능력을 향상시킬 수 있음을 나타냅니다.

arXiv:2607.19726v1cs.CV

설명 가능한 계산 모델링을 통한 통증 위치 특정의 탐색적 분석

An Exploratory Analysis of Pain Localization via Explainable Computational Modeling

자동 통증 위치 특정은 환자의 자기 보고 없이 말초 생리 신호로부터 통증의 해부학적 기원을 식별하는 것으로, 특히 비언어 환자에게 있어 임상적으로 중요하지만 대부분 다루어지지 않은 문제이다. 본 논문은 AI4Pain 2026 Challenge 데이터셋을 사용하여 피험자 독립적 3분류 통증 위치 특정에 대해 고전적 특징 공학과 심층 시퀀스 학습을 체계적으로 비교한다. 이 데이터셋은 통제된 TENS 유발 통증 하에서 65명의 참가자로부터 기록된 4가지 동기식 웨어러블 측정 방식—피부전도 활동(electrodermal activity), 혈량 맥파(blood volume pulse), 호흡(respiration), 말초 산소 포화도(peripheral oxygen saturation)—으로 구성된다. 시간 영역, 주파수 영역, 모달리티별, 교차 모달 기술자를 포괄하는 115차원 수작업 특징 집합을 엔드투엔드(end-to-end) 심층 아키텍처와 벤치마크한다. Extremely Randomized Trees가 0.539의 최고 macro-F1을 달성하여 최고의 심층 모델보다 7.4퍼센트포인트 높은 성능을 보였으며, EDA 스펙트럼 특징이 지배적 판별 요인으로 나타났다. 모든 모델에서 통증 탐지(F1 = 0.815)와 위치 특정(F1 = 0.552) 사이에 일관된 26포인트 격차가 나타나며, 이는 10초 해상도에서 말초 자율신경 경로의 해부학적 확산성에 의해 가해지는 근본적 상한을 시사한다.

arXiv:2607.09749v1eess.SP

MorphologyFM: ECG 및 맥박 산소측정 파형의 형태 인식 표현 학습을 위한 파운데이션 모델

MorphologyFM: A Foundation Model for Morphology-Aware Representation Learning from ECG and Pulse Oximetry Waveforms

파운데이션 모델은 최근 대규모 생의학 데이터로부터 전이 가능한 표현을 학습하는 강력한 패러다임으로 부상하고 있으나, 생리적 파형에 대한 기존 접근법들은 임상적으로 의미 있는 파형 형태를 명시적으로 보존하지 않는 재구성 또는 예측 목적 함수를 주로 최적화한다. 심전도(ECG)와 맥박 산소측정(SpO2) 파형은 그 형태학적 구조를 통해 풍부한 심혈관 및 혈역학 정보를 인코딩한다. 본 연구에서는 형태 인식 자기지도 학습 목적 함수를 사용하여 MIMIC 중환자 데이터베이스의 ECG 및 SpO2 파형 쌍으로 사전학습된 멀티모달 파운데이션 모델인 MorphologyFM을 소개한다. MorphologyFM은 형태 유도 마스킹, 교차 모달 표현 학습, 대조적 잠재 정렬을 결합하여 수동 어노테이션 없이 임상적으로 관련된 생리적 구조를 포착하는 표현을 학습한다. 우리는 부정맥 분류, 저산소혈증 예측, 사망률 예측, 재원 기간 추정 등 다양한 다운스트림 예측 태스크에서 MorphologyFM을 평가하여, Masked Autoencoders(MAE), 대조 학습, Barlow Twins, Joint Embedding Predictive Architectures(JEPA)를 포함한 대표적인 자기지도 학습 방법들 대비 일관된 성능 향상을 입증한다. 또한 ECG와 SpO2 파형을 공동으로 모델링하면 단일 모달리티 사전학습보다 더 전이 가능한 표현이 생성됨을 보인다. 본 연구 결과는 파형 형태가 자기지도 생리적 표현 학습을 위한 강력한 귀납적 바이어스임을 확립하고, MorphologyFM을 연속 생리 모니터링을 위한 범용 파운데이션 모델로 제시한다.

arXiv:2606.21973v1cs.LG

SPOTR: 범용 생리 신호 자기지도 학습을 위한 시공간 풀링 단일 토큰 재구성

SPOTR: Spatio-temporal Pooling One-Token Reconstruction for Universal Physiological Signal Self-supervised Learning

EEG, ECG, PPG와 같은 생리 신호는 임상 모니터링에 널리 활용된다. 최근 자기지도 학습(SSL) 방법은 레이블 없는 기록을 활용하는 매력적인 방안을 제시하지만, 실제 환경에서는 여전히 한계가 있다. 특히 현재 SSL 방법들은 이질적인 데이터셋에 걸쳐 적용 시 어려움을 겪으며, 임상적으로 의미 있는 구조를 왜곡하거나 시간적·채널 간 중복성으로부터 지름길(shortcut)을 학습하는 경우가 많다. 그 결과, 기존 SSL 방법들은 실제 의료 환경에 더 적합한 경량 적응 설정인 선형 프로빙(linear probing)에서 제한적인 성능을 보이는 경우가 많다. 또한 대부분의 트랜스포머 기반 SSL 모델은 평탄화된 시공간 토큰 시퀀스를 인코딩하여 높은 연산량과 메모리 비용을 초래하며, 일반적으로 단일 모달리티 내에서만 개발된다. 이러한 한계를 해결하기 위해, 우리는 생리 신호를 위한 단일 토큰 전역 병목(global bottleneck)을 도입하는 압축-재구성 사전학습 프레임워크인 SPOTR(Spatio-temporal Pooling One-Token Reconstruction)를 제안한다. SPOTR는 각 파형을 단일 토큰 표현으로 압축하고, 오직 이 표현에만 조건화하여 신호를 재구성한다. 아울러 SPOTR는 연산량과 메모리 비용을 줄이기 위한 효율적인 시공간 압축 모듈을 도입한다. EEG, iEEG, ECG, PPG를 아우르는 20개 데이터셋에서 사전학습된 SPOTR는 선형 프로빙 하에서 가장 강력한 기준선 대비 일관되게 우수한 성능을 보이며, 평균 AUC를 각각 18.49%, 21.71%, 17.86%, 4.64% 향상시킨다. 대표적인 범용 시계열 파운데이션 모델과 비교했을 때, SPOTR는 평균적으로 약 78% 낮은 지연 시간과 52% 낮은 피크 GPU 메모리를 달성한다. 코드는 https://github.com/5GYYYYY/SPOTR 에서 확인할 수 있다.