PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.19888v1cs.LG

SL-S4Wave: 구조화된 상태 공간 모델을 활용한 생리학적 파형의 자기지도 학습

SL-S4Wave: Self-Supervised Learning of Physiological Waveforms with Structured State Space Models

심전도(ECG)와 같은 긴 시퀀스 의료 시계열 데이터를 모델링하는 것은 높은 샘플링 레이트, 다채널 신호의 복잡성, 내재된 노이즈, 그리고 제한된 레이블 데이터로 인해 큰 어려움을 겪고 있습니다. 합성곱 신경망(CNN)과 같은 다양한 인코더 아키텍처를 기반으로 하여 레이블이 없는 데이터에서 표현을 학습하도록 제안된 최근의 자기지도 학습(SSL) 방법들은 장거리 의존성과 노이즈 불변성 특징을 포착하는 데 종종 미흡합니다. 구조화된 상태 공간 모델(S4)은 긴 시퀀스 모델링에 탁월하지만, 기존 S4 아키텍처는 다채널 생리학적 파형의 고유한 특성을 포착하지 못합니다. 본 연구에서는 대조 학습과 구조화된 상태 공간 모델을 기반으로 구축된 특화된 인코더를 결합한 자기지도 학습 프레임워크인 SL-S4Wave를 제안합니다. 해당 인코더는 멀티스케일 서브커널을 활용한 다층 전역 합성곱을 통합하여, 노이즈가 섞인 고해상도 다채널 파형에서 미세한 국소 패턴과 장거리 시간적 의존성을 모두 포착할 수 있도록 합니다. 실제 데이터셋에 대한 광범위한 실험을 통해 SL-S4Wave가 (1) 도전적인 부정맥 검출 작업에서 최신 수준의 지도 학습 및 자기지도 학습 기준선(baseline)을 일관되게 능가하고, (2) 강력한 레이블 효율성을 입증하며 현저히 적은 레이블 예제로도 높은 성능을 달성하며, (3) 대부분의 기존 접근 방식이 효율적으로 모델링하지 못하는 긴 시퀀스 내 복잡한 시간적 역학을 모델링할 수 있는 능력을 강조하며 긴 파형 구간에서 견고한 성능을 유지하고, (4) 견고한 교차 도메인 일반화를 뒷받침하며 보지 못한 부정맥 유형으로 효과적으로 전이됨을 확인했습니다. 또한, 여러 뇌파(EEG) 작업에 대해 SL-S4Wave를 평가한 결과, 강력한 기준선을 상회하는 우수한 성능을 달성하여 본 방법론이 심장 파형을 넘어서도록 일반화될 수 있음을 입증했습니다.