事件场：用于波形基础模型的潜在事件结构学习
机器学习
2026-05-12 v1 人工智能
摘要
我们提出一种新的波形基础模型类，与传统基于序列的表示不同，通过建模生理时间序列为潜在事件过程的实现来进行建模。我们的做法不将信号视为局部标记或块的集合，而是假设临床上有意义的结构源于具有不可直接观察边界和动力学的时延性、相互作用事件。为捕获这种结构，我们引入一种自监督学习框架，通过强制对同一波形的随机分段和时频投影之间的一致性来实现，鼓励保持信号水平扰动不变的表示，同时保留事件级别的组织。 resulting model 将一个感知分段的编码器与一个捕获推断事件之间依赖关系的潜在交互算子相结合，自然地通过通过共享事件表示将多模态对齐。 在多项生理基准测试中，包括心律失常分类、血流动力学预测和波形检索，我们的方法相对于强大的基于序列的基线在性能、鲁棒性和标签效率方面均取得改进。这些结果表明，从信号中心转向事件中心的表示为建模生理动力学提供了更合适的归纳偏置，并为在医疗保健领域扩展基础模型提供了一条补充路径。
引用
@article{arxiv.2605.08685,
title = {Event Fields: Learning Latent Event Structure for Waveform Foundation Models},
author = {Li Na and Yuanyun Zhang and Shi Li},
journal= {arXiv preprint arXiv:2605.08685},
year = {2026}
}