BioFormer：通过谱结构对齐重新思考生物医学时间序列的跨主体泛化
机器学习
2026-05-27 v2 人工智能
摘要
生物医学时间序列的跨主体泛化指的是在某些主体的数据上进行训练，然后在未看到的主体上进行测试。关键挑战在于抑制生物医学时间序列表示中主体特定的变异性。大多数现有方法通过模型构建或主体对抗学习隐式地抑制这种变异性，但很少显式地对其进行建模。我们提出一种新的视角来刻画主体特定的变异性，即谱漂移。具体而言，相同标签下的生物医学时间序列信号往往共享一致的振荡结构，但在特定频率分量上表现出主体依赖的�幅或相位偏移，我们将其解释为主体特定的变异性。基于这一洞察，我们提出 BioFormer。其核心是一个频率带对齐模块 (FBAM)，该模块从谱分布中生成频带相关的调制因子，并自适应地调整振幅和相位以对齐谱结构，从而减轻变异性。我们进一步将 FBAM 与样本条件层归一化配对，后者从内在信号统计量推断归一化参数，而非依赖于主体身份，稳定跨主体的表示。广泛的实验表明，BioFormer 在六个数据集上均优于 12 个基线方法，平均 F1 分数提升 6%。
引用
@article{arxiv.2605.22468,
title = {BioFormer: Rethinking Cross-Subject Generalization via Spectral Structural Alignment in Biomedical Time-Series},
author = {Guikang Du and Haoran Li and Xinyu Liu and Zhibo Zhang and Xiaoli Gong and Jin Zhang},
journal= {arXiv preprint arXiv:2605.22468},
year = {2026}
}