基于多视角对比学习的医疗时间序列分析中鲁棒域适应方法
机器学习
2025-09-23 v2 人工智能
摘要
跨域适应医疗时间序列的机器学习模型仍面临复杂时序依赖和动态分布迁移的挑战。当前方法常仅关注孤立的特征表示，限制其完全捕捉鲁棒域适应所必需的精细时序动态。本文提出一种新框架，利用多视角对比学习整合时序模式、导数型动态和频域特征。该方法采用独立编码器和层次化融合机制，学习跨域可迁移且保持时序一致性的特征不变表示。在包括脑电图(EEG)、心电图(ECG)和肌电图(EMG)在内的多样化医疗数据集上进行的广泛实验表明，我们的方法在迁移学习任务中显著优于最新方法。通过提升机器学习模型的鲁棒性和可泛化性，本框架为在多样化医疗环境中部署可靠的人工智能系统提供了实际路径。
引用
@article{arxiv.2506.22393,
title = {Multi-View Contrastive Learning for Robust Domain Adaptation in Medical Time Series Analysis},
author = {YongKyung Oh and Alex Bui},
journal= {arXiv preprint arXiv:2506.22393},
year = {2025}
}
备注
Published at the sixth Conference on Health, Inference, and Learning (CHIL 2025), PMLR 287:502-526, 2025. Models & Methods Track - Best Paper Award. https://proceedings.mlr.press/v287/oh25a.html