cAPM: 능동 학습을 활용한 지속적 AI 보조 페이스 매핑
cAPM: Continual AI-Assisted Pace-Mapping with Active Learning
한국어 초록
심실 빈맥(Ventricular tachycardia)은 생명을 위협하는 리듬 장애이자 심장성 급사의 주요 원인입니다. 페이스 매핑(pace-mapping)은 심실 빈맥(VT) 도관 절제술(catheter ablation) 중 개입 목표 부위를 식별하는 임상 절차입니다. 이는 임상의가 심실 내 다양한 부위에 자극을 가하고 결과 심전도(ECG)를 신속하게 해석하여 다음 자극 위치를 결정하거나 목표 부위가 식별되었는지 확인해야 합니다. 임상의를 다음 자극 부위로 안내하는 능동 학습(active learning) AI 모델이 제안되었으며, 이는 자극 부위의 수를 줄이고 페이스 매핑의 효율성을 높이는 데 잠재력을 보여주었습니다. 기존 방법들은 동일한 환자 내 또는 환자 간의 여러 심실 빈맥(VT)에 걸쳐 지식을 전이할 수 없어 각 목표마다 재학습이 필요합니다. 우리는 과거 페이스 매핑 데이터에서 축적된 지식을 포착하고 전이하여 향후 목표 심실 빈맥(VT)에 필요한 페이스 매핑 데이터의 양을 줄이는 지속적 AI 보조 페이스 매핑인 cAPM을 소개합니다. 이는 자극 부위에서 12유도 심전도(ECG) 형태학으로의 매핑을 학습하는 과제 비의존적(task-agnostic) 대리 신경망, 각 목표에 대해 가장 정보성이 높은 자극 부위를 선택하여 이 대리 모델을 정교화하는 능동 학습(active-learning) 전략, 그리고 이전 목표의 지식을 유지하면서 순차적으로 수행하는 지속적 학습(continual learning) 전략을 통해 가능해집니다. 다양한 생리학적 조건과 심실 형상학에 걸쳐 순차적으로 제시되는 국소화 작업으로 구성된 실리콘 내(in-silico) 테스트베드에서 평가한 결과, 과거 데이터 샘플의 리플레이(replay) 유무와 관계없이 cAPM은 4.5개의 페이스 매핑 부위를 사용하여 임상 허용 오차(5mm 정확도) 내에서 국소화할 확률이 81%에 달했으며, 이는 13.7개의 자극 부위를 사용하여 38%의 확률을 달성한 최첨단 능동 학습 방법과 대비됩니다. 이러한 결과는 페이스 매핑을 안내하는 데 사용될 수 있는 생체 내(in-vivo) 전임상 및 임상 연구를 향한 cAPM 준비를 위한 강력한 기반을 제공합니다.
원문 초록
Ventricular tachycardia is a life-threatening rhythm disorder and a major cause of sudden cardiac death. Pace-mapping is a clinical procedure for identifying the intervention target during catheter ablation of VT. It requires clinicians to pace different sites in the ventricles and rapidly interpret the resulting electrocardiograms to determine where to pace next or whether a target site has been identified. Active learning AI models have been proposed to guide clinicians to the next pacing site, showing promise in reducing the number of pacing sites and improving the efficiency of pace-mapping. Existing methods require retraining each target without the ability to transfer knowledge across multiple VTs within the same patient or across patients. We introduce cAPM for continuous AI-assisted pace-mapping to capture and transfer knowledge accumulated from past pace-mapping data to reduce the number of pace-mapping data needed for future target VTs. This is made possible by a task-agnostic surrogate neural network that learns the mapping from pacing sites to 12-lead ECG morphology, an active-learning strategy that refines this surrogate model by selecting the most informative pacing site for each target, and a continual learning strategy to do so sequentially while retaining knowledge from prior targets. Evaluated on an in-silico testbed consisting of sequentially-presented localization tasks across different physiological conditions and ventricular geometries, cAPM with and without replay of past data samples achieved an 81% probability of localizing within clinical tolerance (5 mm accuracy) using 4.5 pace-mapping sites, compared to the state-of-the-art active-learning method achieving 38% probability using 13.7 pacing sites. These results provide a strong basis for preparing cAPM towards in-vivo preclinical and clinical studies where it can be used to guide pace-mapping.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.19373v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
AIGS: 비정상 데이터 스트림에서의 온라인 표현 학습을 위한 적응형 점진적 게이팅 시스템
AIGS: Adaptive Incremental Gating System for Online Representation Learning in Non-Stationary Data Streams
사물 웹(WoT) 및 엣지 컴퓨팅 환경의 실시간 데이터 스트림은 잠재적인 체제 변화(regime changes)를 거치며 진화하는 경우가 많습니다. 엄격한 계산 제약 하의 온라인 표현 학습(online representation learning)에서 핵심 문제는 유용한 과거 지식을 유지하면서 개념 드리프트(concept drift)에 신속하게 반응하는 안정성-가소성 딜레마(stability-plasticity dilemma)를 해결하는 것입니다. 기존 방법들은 고정된 업데이트 일정이나 롤링 윈도우를 사용합니다. 그러나 이러한 방식은 급격한 변화가 발생할 때 매개변수 경직화(parameter ossification)를 겪고, 스트림이 안정적으로 유지될 때는 계산 자원을 낭비합니다. 본 논문에서는 경량 폐루프 상태 인지 적응 프레임워크인 적응형 점진적 게이팅 시스템(AIGS, Adaptive Incremental Gating System)을 제안합니다. AIGS는 최근 변동성에 대해 현재 재구성 오차를 정규화하는 내생적 잔차 피드백 메커니즘인 Shock Ratio를 도입합니다. 이 신호는 학습 가소성과 기억 유지 사이를 부드럽게 보간하는 연속 가소성 컨트롤러(Continuous Plasticity Controller)를 구동합니다. 표현 학습을 폐루프 제어 메커니즘으로 다룸으로써, AIGS는 치명적 망각(catastrophic forgetting)을 방지하고 지연 시간에 민감한 엣지 디바이스에 적합한 스텝당 엄격한 선형 복잡도 $\mathcal{O}\left(k\cdot d\right)$를 유지합니다. 교통 네트워크, 기상 시스템, 산업 인프라를 아우르는 실제 스마트 시티 동적 스트림에 대한 실험은 도메인에 따라 뚜렷한 이점을 보여줍니다. Electricity Transformer Temperature 데이터셋에서 AIGS는 점진적인 성능 저하 상황에서 8.31(ETTm1) 및 9.88(ETTm2) 스텝의 예방적 조기 경보 리드 타임을 달성합니다. Performance Measurement System 교통 데이터셋에서는 급격한 변화 이후 훨씬 빠른 변화 후 회복 속도를 보입니다. 노이즈가 매우 심한 Weather 데이터셋에서는 확률적 노이즈 과적합을 방지하면서 이상치 재현율을 향상시킵니다. 이러한 결과는 AIGS가 자원 제약이 있는 엣지 모니터링 시스템을 위한 실용적인 플러그 앤 플레이 어댑터임을 입증합니다.
롱테일 프레임 수준 생체음향 능동 학습을 위한 그래디언트 임베딩의 탐욕적 부피 극대화
Greedy Volume Maximization of Gradient Embeddings for Long-Tailed Frame-Level Bioacoustic Active Learning
생체음향 호출 유형 분류(classification)는 비용이 많이 드는 전문가 주석에 의존합니다. 능동 학습(active learning)은 소량의 배치(batch) 구간을 선택해 전문가 주석을 받고 라벨링된 구간을 분류기 학습(training)에 사용함으로써 이러한 부담을 줄일 수 있습니다. 이 환경은 까다롭습니다. 목표 호출은 극히 희소하고 호출 유형 분포는 롱테일(long-tailed)을 띠므로, 한정된 예산을 정보량이 풍부한 소수의 희귀 구간에 집중적으로 투입해야 합니다. 우리는 배치가 생성하는 공간의 부피를 가장 크게 확장하는 BADGE 그래디언트(gradient) 임베딩(embedding)을 갖는 구간을 탐욕적으로 추가하는 결정론적 배치 선택기인 BADGE-Greedy-DPP를 제안합니다. 이 로그 부피 목적 함수는 서브모듈러(submodular)하기 때문에, 탐욕적 규칙은 이 목적 함수의 최적치 대비 최소 (1-1/e) 비율의 배치 가치를 보장하며, 이는 기존 BADGE의 k-means++ 및 MCMC DPP 샘플링 휴리스틱에서는 제공하지 못하는 보장입니다. 또한 이 태스크에는 시간적 입도 불일치(temporal granularity mismatch)도 존재합니다. 획득 함수는 전체 구간을 평가하지만 구간 내부의 정보가 풍부한 프레임은 소수에 불과합니다. 따라서 균일 평균을 적용하면 이 프레임들이 희석됩니다. BADGE 구조는 프레임 단위로 적용될 때 예측 잔차가 집계된 유사 그래디언트에 가중치(weight)를 부여하므로 이러한 불일치를 자연스럽게 해결합니다. 즉, 확신을 갖고 예측된 '호출 없음' 프레임은 기여도가 미미한 반면, 불확실한 단 하나의 희귀 호출 프레임이 구간의 방향성을 결정할 수 있습니다. 희소하고 불균형한 하이에나 호출 유형 데이터셋(dataset)을 대상으로 한 10회 실행 전반에서, BADGE-Greedy-DPP는 가장 강력한 비-BADGE 기준선(baseline)인 MFFT 및 두 가지 바닐라 BADGE 순회 방식을 포함하여 비교된 모든 쿼리 전략 중 가장 우수한 전반적 및 희귀 호출 유형 성능을 달성합니다.
Scout: 엣지 디바이스에서의 오픈월드 종 인식
Scout: Open-World Species Recognition on the Edge
대규모 비전-언어 모델(VLM)은 고정된 클래스 집합을 넘어서는 인식을 가능하게 하지만, 높은 연산 요구량으로 인해 많은 엣지 디바이스에서는 실행할 수 없다. 클라우드 오프로드(cloud offload)를 통해 이러한 기능을 활용할 수 있지만, 모든 이미지를 전송하는 것은 제한된 대역폭과 통신 에너지를 소모한다. 우리는 엄격한 연산량, 에너지, 대역폭 예산 안에서 VLM의 오픈월드 인식 능력을 엣지로 가져오는 방법을 탐구한다. 야생동물 모니터링은 배포 시점에 알려지지 않은 종을 카메라 트랩이 마주치기 때문에 이 문제를 탐구하기에 자연스러운 환경을 제공한다. 우리는 클라우드 VLM을 간헐적으로 호출하여 소형 엣지 모델에 새로운 클래스를 학습시키는 자율적 오픈월드 인식 시스템인 Scout를 제시한다. 배포 위치와 (개체가 없는) 빈 현장 프레임만 주어지면, Scout는 사전 정의된 종 목록, 사람에 의한 레이블링, 수동 튜닝 없이도 VLM이 식별한 각 종을 자원 효율적인 엣지 모델 내의 지속적이고 현장 조건부(site-conditioned) 인식 능력으로 자율적으로 전환한다. NVIDIA Jetson Orin Nano 상에서 세 개 지역에 걸친 30개의 카메라 트랩 배포 환경에서, Scout의 정확도는 사전 정의된 종 목록이 주어진 모델 대비 0.1~2.5% 이내로 유지된다. 초기 클래스 집합에 포함되지 않은 종에 대해서는 Scout가 53.7~59.1%의 정확도를 달성하며, 이는 전체 클라우드 오프로드의 56.5~65.1%와 비교되는 수치이고, 동시에 배포 에너지는 59~71% 더 적게 사용한다.
국소 중복성: 합성 기억화로부터의 가소성에 대한 정보 이론적 측정
Local Redundancy: An Information-Theoretic Measure of Plasticity from Synthetic Memorization
가소성(plasticity) — 신경망이 새로운 과제에 적응하는 능력 — 은 지속 학습(continual learning)과 전이학습에 매우 중요하다. 유효 rank, 죽은 뉴런 비율, 가중치 norm과 같은 기존 측정치들은 이론적 근거가 부족하고 새로운 과제에서의 성능과 낮은 상관관계를 보인다. 우리는 보편적 압축 이론(universal compression theory)에서 도출된 정보 이론적 측정인 국소 중복성(local redundancy)을 제안한다. 국소 중복성은 국소 모델 군 — 그래디언트 방향을 따라 무한소(infinitesimal) 이웃에 있는 매개변수 — 의 최악의 경우 중복성(worst-case redundancy)으로 정의하며, 이것이 가소성의 원칙적인 측정임을 보인다. 국소 중복성은 정확히 계산하기 어렵지만(intractable), 합성 기억화(synthetic memorization) 과제에서의 기대 제곱 그래디언트 norm이 효율적으로 계산 가능한 하한(lower bound)을 제공함을 증명한다. 지속적 이미지 분류와 시계열 전이학습(time series transfer learning) 실험에서 국소 중복성은 기존 측정치보다 하류(downstream) 성능을 더 잘 예측하며, 검증 손실이 정체되는(plateau) 구간에서 사전학습 체크포인트 선택을 가능하게 한다.
Building a Scalable and Interpretable Bayesian Deep Learning Framework for Quality Control of Free Form Surfaces
A Better Alternative to Piecewise Linear Time Series Segmentation
토론
이 논문과 연결된 포럼 글이 아직 없습니다.