수술 초기 급성 신장 손상 예측을 위한 누출 인식 다중 모달 평가 프레임워크
A Leakage-Aware Multimodal Evaluation Framework for Early Intraoperative Acute Kidney Injury Prediction
한국어 초록
주요 비심장 수술 후 수술 후 급성 신장 손상(acute kidney injury, AKI)은 상당한 이환율을 수반하지만, 수술 중 초기 위험 계층화는 여전히 어렵다. 본 후향적 코호트 연구에서 우리는 SynerT를 제안한다. SynerT는 인과적 dilated TCN과 dilated recurrent layer 계층을 결합한 파형 전용 하이브리드 temporal backbone으로, AKI 위험 예측을 위해 수술 중 초기 생리 궤적을 인코딩한다. SynerT를 기반으로 백본을 구조화된 임상 맥락으로 확장한 두 가지 모델 변형을 추가로 설계한다. SynerT-MM은 혈역학적 부담 요약과 수술 전 공변량을 통합하는 late-fusion 다중 모달 확장이고, SynerTStack은 메타 학습 단계에서 SynerT-MM의 교차 검증 예측과 강력한 테이블형 베이스라인을 결합하는 누출 안전 stacked 앙상블이다. 모든 모델은 고해상도 주변 수술(perioperative) 데이터베이스 VitalDB에서 엄격한 누출 인식 프레임워크 하에 평가되며, 예측은 수술 중 첫 60분 이내에 이용 가능한 정보로 제한된다. 파형 이용 가능 사례 2,413건(AKI 양성 180건, 유병률 7.46%) 중 SynerT는 강력한 구조화 데이터 베이스라인보다 훨씬 낮은 성능을 보여, 엄격한 초기 제약 하에서 파형만의 temporal modeling은 불충분함을 보였다. SynerT-MM은 혈역학적 부담 요약과 수술 전 공변량을 통합하여 판별력을 회복했고, SynerT-Stack은 AUROC, AUPRC, F1-max 전반에서 최고의 종합 성능을 달성했다. 교차 적합 Platt 재보정은 두 다중 모달 변형 모두에서 보정(calibration) 결함을 상당히 교정했으며, decision-curve 분석은 재보정된 stacked 모델이 낮은~중간 임계값 구간에서 가장 큰 순 임상적 이익을 제공함을 확인했다.
원문 초록
Postoperative acute kidney injury (AKI) after major non-cardiac surgery carries substantial morbidity, yet early intraoperative risk stratification remains difficult. In this retrospective cohort study, we propose SynerT, a waveform-only hybrid temporal backbone that combines a causal dilated TCN with a hierarchy of dilated recurrent layers to encode early intraoperative physiologic trajectories for AKI risk prediction. Building on SynerT, we further design two model variants that extend the backbone with structured clinical context: SynerT-MM, a late-fusion multimodal extension that integrates hemodynamic burden summaries and preoperative covariates, and SynerTStack, a leakage-safe stacked ensemble that combines cross-validated predictions from SynerT-MM with strong tabular baselines at the meta-learning stage. All models are evaluated under a strict leakage-aware framework on VitalDB, a high-fidelity perioperative database, with prediction restricted to information available within the first 60 intraoperative minutes. Among 2,413 waveform-usable cases (180 AKI-positive; 7.46% prevalence), SynerT fell well below strong structured-data baselines, demonstrating that waveform-only temporal modeling is insufficient under strict early constraints. SynerTMM recovered discrimination by incorporating hemodynamic burden summaries and preoperative covariates, and SynerT-Stack achieved the best overall performance across AUROC, AUPRC, and F1-max. Cross-fitted Platt recalibration substantially corrected calibration defects in both multimodal variants, and decision-curve analysis confirmed the recalibrated stacked model delivered the strongest net clinical benefit across low-to-intermediate thresholds.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2609.26848v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
PulseGuard: rPPG-Derived Temporal Signals as a Forensic Modality for Talking-Face Deepfake Detection
조합 융합을 통한 양자-고전 모델의 다양성 인지 앙상블
Diversity-Aware Ensemble of Quantum-Classical Models via Combinatorial Fusion
변분 양자 회로(VQC)는 회로 구조에 매우 민감하지만, 대부분의 양자 머신러닝 파이프라인은 단 하나의 최적 설계를 선택하고 나머지 후보는 폐기합니다. 본 논문에서는 양자 회로 탐색 공간 전반의 구조적 다양성을 활용하여 모델 융합(model fusion)을 통해 더 강력한 예측을 생성할 수 있는지 다룹니다. 순위-점수 함수(RSF)와 인지적 다양성(CD)을 활용해 여러 점수 산정 시스템을 선택하고 결합하는 모델 융합 프레임워크인 조합 융합 분석(CFA)을 구조적으로 다양한 29개의 고전 모델 및 양자 회로 풀에 적용합니다. 다양성 인지 모델 선택 방법을 사용하여 최대의 다양성을 지닌 모델 서브셋을 식별하고, 이를 점수 및 순위 결합 방식 모두로 결합합니다. 서로 다른 도메인을 포괄하는 4개의 이진 분류 벤치마크에 대한 실험 결과, CFA 기반의 하이브리드 고전-양자 융합은 고려된 모든 데이터셋에서 최고 성능의 개별 모델보다 일관되게 우수한 성능을 보였으며 정확도가 최대 6.03% 향상되었습니다. 관련 문헌과의 비교에서도 CFA 프레임워크는 4개 데이터셋 전반에서 더욱 우수한 성능을 달성합니다.
일치된 적격성 조건에서 학습된 단조 시계열 집계의 성능 측정
Measuring Learned Monotone Temporal Aggregation at Matched Admissibility
리스크 규제는 점수에 방향성 제약을 부과하며, 본 연구에서는 엄격한 입력별 형태(모든 익스포저 입력에 대해 점수가 단조 비감소하는 형태)를 규범적 약정으로 채택합니다. 이미 배포된 파이프라인(부호 제약 그래디언트(gradient) 부스팅으로 전달되는 단조 수작업 집계)은 결합을 통해 이를 이미 만족하므로, 제약 모델과 비제약 모델 간의 비교는 기존 파이프라인이 이미 무상으로 확보하고 있는 보장에 비용을 매기는 셈이 됩니다. 이에 따라 본 연구는 양측 모두에서 적격성을 일정하게 유지한 채 집계를 학습하는 것의 가치를 측정합니다. 본 연구의 도구는 상태가 고전적 리스크 통계량(지수 가중 이동 평균 및 학습된 변환을 갖춘 하이워터 마크)으로 구성된 순환 신경망으로, 구조적으로 모든 입력 및 MC-드롭아웃(dropout) 샘플마다 단조성을 만족합니다. 함수형 회귀를 통한 핵심 발견은 포섭 경계(subsumption boundary)입니다. 학습된 단조 채널은 수작업 통계량의 기하 가중 분리 가능 군을 구성원당 하나의 채널을 통해 스피어만 $ρ\ge 0.996$ 수준으로 재현하고, 측정 가능한 상한 내에서 윈도우 통계량을 근사하지만, 구조적 한계인 연속성($ρ= 0.924$) 및 시간 국소화(0.628), 그리고 학습 가능성 한계인 익스포저 하한(0.829)에서는 실패합니다. 하나의 명시적인 적격 기저는 각 실패를 보완합니다(순위 상관관계 1.000). 분리 가능 군 내부 또는 근처에서는 학습된 집계와 엔지니어링된 집계가 서로 대체 가능하며, 학습된 채널은 전체 표본 크기와 지정된 용량에서 통계적으로 결코 뒤처지지 않습니다. 학습된 채널의 이점은 기존 파이프라인별로 특화되어 나타납니다. 고정된 그리드는 커버하지 못하는 감쇠 영역에서 최대 0.019 AUC 손실을 초래하는 반면(학습된 채널은 모든 탐색 지점에서 가장 강력한 엔지니어링 소비자 대비 0.004 이내를 유지함), 가장 고차원인 비교 대상은 데이터가 부족할 때 가장 빠르게 성능이 저하되며, 학습(training) 서포트 외부에서는 그리드 기반 트리 앙상블(ensemble) 점수가 평탄해지는 반면 엄격하게 증가하는 헤드는 순위 매김을 지속합니다. 세 가지 축 모두에서 단일 기존 모델이 완전히 지배당하지는 않습니다.
기호적 실패 탐지 학습: 머신러닝과 블랙-숄즈 모형의 한계
Learning to Detect Symbolic Failure: Machine Learning and the Limits of Black-Scholes
우리는 옵션 가격 결정을 표현(representation) 문제로 다룬다. 즉, 260만 건의 실제 옵션 계약을 사용하여 머신러닝이 블랙-숄즈(Black-Scholes)로부터의 체계적인 편차를 탐지할 수 있는가? 우리는 세 가지 방식을 비교한다. 학습된 추상 임베딩(커널 PCA), 보존된 도메인 구조(트리 기반 앙상블), 그리고 신경망 검증이다. 트리 기반 방법은 커널 차원 축소보다 21.5%p 높은 성능(93.8% 대 72.3%)을 보였으며, 도메인 전문가가 설계한 특징(그릭스, 머니니스)은 엔지니어링된 특징보다 더 우수한 성능을 보였다. 신경망 기반 편차 레이블과 BS 기반 편차 레이블은 99.9974%의 비율로 일치하며, 이는 편차가 모델의 인위적 결과물이 아니라 시장 구조를 반영함을 시사한다. 우리는 전문가가 설계한 기호적 특징이 존재하는 도메인에서는 추상화를 학습하는 것보다 구조를 보존하는 것이 더 낫다고 결론짓는다. 우리는 활용 가능한 오가격(mispricing)이 존재한다고 주장하지 않는다.
RMS@CC-MMD 2026: 기하학적 상호작용과 다중 관점 합의를 통한 멀티모달 여성혐오 탐지
RMS@CC-MMD 2026: Multimodal Misogyny Detection via Geometric Interaction and Multi-View Consensus
인터넷 밈의 확산은 자동화된 콘텐츠 모더레이션, 특히 여성혐오 탐지에 새로운 복잡성을 도입했다. 밈은 종종 시각·텍스트 모달리티 간의 의미적 충돌에 의존하며, 여기서 혐오적 의도는 암묵적이고 문화적으로 기반을 둔다. 본 논문은 ICMI 2026 CC-MMD Grand Challenge를 위해 개발된 GeoMVC(Geometric Interaction and Multi-View Consensus)를 제시한다. 정적 특징 결합의 한계를 해결하기 위해, 동결된 시각·텍스트 임베딩 간 Hadamard 곱과 코사인 유사도를 통해 교차 모달리티 정렬을 모델링하는 기하학적 상호작용 층(Geometric Interaction Layer)을 제안한다. 또한 노이즈가 있는 OCR과 코드 혼합 음역으로 인한 분포 이동을 다중 관점 합의(Multi-View Consensus) 전략으로 완화하며, 원문, 길이 필터링, 영어 번역 텍스트 관점에 걸친 예측을 집계한다. 이 시스템은 Task A에서 Malayalam 파티션 2위(Macro F1: 0.892), Chinese 파티션 3위(Macro F1: 0.895)를 달성했으며, Tamil 파티션에서는 5위(Macro F1: 0.521)를 기록했다. 개발 파티션에 대한 상세 오류 분석은 Dravidian 및 중국 문화 맥락에서 지역화된 음역과 코드 혼합 풍자를 모델링하는 데 남아 있는 과제를 부각한다.
DWT-Fusion: 학습 없는 LLM 생성 텍스트 탐지를 위한 신호 기반 프레임워크
DWT-Fusion: A Signal-Based Framework for Training-Free LLM-Generated Text Detection
제로샷(zero-shot) 및 학습 없는(training-free) 조건에서 LLM 생성 텍스트를 탐지하는 것은 여전히 어려운 과제이며, 특히 탐지기가 데이터셋, 도메인, 그리고 보지 못한 생성기에 걸쳐 일반화해야 할 때 더욱 그렇다. 기존의 학습 없는 접근법들은 탐지 신호로 언어 모델 통계를 활용하지만, 일반적으로 전체 모델 동작을 요약하는 전역(global) 측정치를 통해 텍스트를 특성화한다. 따라서 토큰 수준 예측 가능성의 잠재적으로 유용한 국소(local) 및 다중 스케일(multiscale) 변동이 충분히 활용되지 못할 수 있다. 이러한 관찰에 동기를 부여받아, 우리는 프록시 인과(causal) 언어 모델이 생성한 토큰 수준 로그 확률(log-probability) 시퀀스의 이산 웨이블릿(discrete wavelet) 분석을 통해 LLM 생성 텍스트를 탐지하는 학습 없는 신호 기반 프레임워크인 DWT-Fusion을 제안한다. 제안된 프레임워크는 웨이블릿 기반 다중 해상도(multiresolution) 신호 표현을 통해 이러한 시퀀스를 분석하고, 국소화된 확률 역학(probability dynamics)으로부터 탐지 신호를 도출한다. 우리는 또한 동일 가중치 하드 보팅(equal-weight hard voting), 동일 가중치 소프트 보팅(equal-weight soft voting), 보정(calibration) 가중치 하드 보팅, 보정 가중치 소프트 보팅을 포함한 네 가지 학습 없는 보팅 변형을 평가하여, 지도(supervised) 메타 분류기를 학습하지 않고도 여러 웨이블릿 구성을 결합한다. 프레임워크를 HC3, M4, MAGE에서 GPT-Neo-2.7B, GPT-J-6B, Falcon-7B, LLaMA-3-8B를 프록시 모델로 사용하여 평가한다. 최적의 단일 웨이블릿 구성은 HC3, M4, MAGE에서 각각 AUROC 0.9872, 0.8185, 0.7138을 달성한다. 보정 가중치 보팅을 적용하면 최적의 앙상블 변형은 AUROC를 각각 0.9919, 0.8477, 0.7471로 더욱 향상시킨다. 이러한 결과는 DWT 기반 다중 해상도 스코어링과 보정 기반 보팅 융합이 학습 없는 LLM 생성 텍스트 탐지를 위한 효과적이고 해석 가능한 신호를 제공함을 보여준다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.