HiMAE：层次化掩码自编码器发现可穿戴时间序列中的分辨率特定结构
机器学习
2025-10-31 v1 人工智能
信号处理
摘要
可穿戴传感器提供了丰富的生理时间序列数据，但其预测效用所依据的原理仍不清晰。我们假设时间分辨率是表示学习的基本轴，不同的临床和行为结果依赖于不同尺度上的结构。为检验此分辨率假设，我们引入 HiMAE（层次化掩码自编码器），一种结合掩码自编码与层次化卷积编码器解码器的自监督框架。HiMAE 生成多分辨率嵌入，使我们能够系统评估哪些时间尺度携带预测信号，将分辨率从超参数转化为可解释性探针。在分类、回归和生成基准测试中，HiMAE 持续优于那些压缩尺度的领先基础模型，同时模型规模更小了几个数量级。HiMAE 足够紧凑，能够在手表上完整运行，在智能手表级 CPU 上实现亚毫秒推理，实现真正的边缘推理。正是由于这些贡献，HiMAE 既是一种高效的自监督学习方法，也是发现可穿戴健康领域中尺度敏感结构的发现工具。
引用
@article{arxiv.2510.25785,
title = {HiMAE: Hierarchical Masked Autoencoders Discover Resolution-Specific Structure in Wearable Time Series},
author = {Simon A. Lee and Cyrus Tanade and Hao Zhou and Juhyeon Lee and Megha Thukral and Minji Han and Rachel Choi and Md Sazzad Hissain Khan and Baiying Lu and Migyeong Gwak and Mehrab Bin Morshed and Viswam Nathan and Md Mahbubur Rahman and Li Zhu and Subramaniam Venkatraman and Sharanya Arcot Desai},
journal= {arXiv preprint arXiv:2510.25785},
year = {2025}
}