PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.01674v4cs.AI

원시 ECG 리플레이가 없는 지속적 ECG 배포에서 전문가 유지와 자율 소스 추론의 분리

Separating Expert Retention from Autonomous Source Inference in Raw-ECG-Replay-Free Continual ECG Deployment

다중 소스 심전도(ECG) 배포 환경에서는 이전의 원시 ECG 데이터를 보관하거나 재생(replay)할 수 없는 상황에서 새로운 소스가 유입될 수 있습니다. 고정된 백본(backbone) 상에서 소스별 분류기를 격리하면 매개변수(parameter) 간섭을 방지할 수 있지만, 소스를 알 수 없는 상태의 추론(inference)에서는 여전히 적절한 전문가를 선택해야 하는 문제가 남습니다. 본 연구에서는 고정된 1024차원 ECGFounder 특징(feature)을 기반으로 구축된 통제된 지속적 배포 프레임워크인 IRFE-ECG를 통해 이러한 차이를 연구합니다. 새로운 소스가 추가될 때마다 격리된 Balanced-Softmax 선형 전문가가 추가되며, 이전에 관찰된 소스들로부터 보존된 고정 학습(training) 특징과 소스 레이블을 사용하여 경량 라우터가 재적합(re-fit)됩니다. 본 논문의 주된 기여는 새로운 라우팅 아키텍처를 제안하기보다는 보존된 전문가 성능을 자율적 소스 추론과 분리하고, 그로 인해 발생하는 배포 격차(deployment gap)를 정량화하는 것입니다. CPSC, PTB-XL, Georgia, Chapman-Shaoxing 데이터셋 전반에서 소스 인식 전문가 선택은 $0.7915 \pm 0.0036$의 Macro-F1에 도달하여, 매칭된 오프라인 독립 헤드 기준치인 $0.7885 \pm 0.0009$에 근접합니다. 소스 ID가 없는 경우 MLP 라우터는 $0.7756 \pm 0.0027$을 달성하며, 상위 2개 마진(margin) 융합은 $0.7782 \pm 0.0022$에 도달합니다. 상위 2개 융합의 개선 폭은 작으며(+0.0026), 대응 부트스트랩(paired bootstrap) 검정에서 통계적으로 유의미하지 않았습니다. 세 가지 도메인 순서 전반에서 상위 2개 방식과 오라클 간의 격차는 0.0111-0.0133으로 유지되어, 이 프로토콜 내에서 지속적인 소스 추론 격차가 존재함을 보여줍니다. 신뢰할 수 있는 환자 식별자를 사용할 수 없었기 때문에 결과는 레코드 수준(record-level)으로 평가되었습니다. 이 방법은 원시 ECG를 재생하지 않지만 라우터 업데이트를 위해 고정된 특징 벡터를 보존하므로, 메모리가 전혀 필요 없는(memory-free) 방식이라기보다는 원시 ECG 리플레이가 없는(raw-ECG-replay-free) 방식입니다. 코드는 https://github.com/yufanlu221/IRFE-ECG 에서 공개되어 있습니다.