PiRL：基于最大均值差异与三元组损失的医疗健康参与者不变表征学习
信号处理
2023-02-21 v1
摘要
由于个体异质性，在数据驱动的健康应用中，针对特定个人的模型通常比通用（一刀切）模型取得更好的性能。然而，由于开发个人特定模型存在新用户适应问题和系统复杂性等困难，通用模型在实际应用中通常更受青睐。为提升通用模型的性能，我们提出了一种参与者不变表征学习（PiRL）框架，该框架利用最大均值差异（MMD）损失和领域对抗训练，促使模型学习参与者不变的表征。此外，为避免所学表征出现平凡解，采用基于三元组损失的约束，使模型学习标签可区分的嵌入。所提出的框架在两个公开数据集（CLAS 和 Apnea-ECG）上进行了评估，与基线模型相比，性能取得了显著提升。
引用
@article{arxiv.2302.09126,
title = {PiRL: Participant-Invariant Representation Learning for Healthcare Using Maximum Mean Discrepancy and Triplet Loss},
author = {Zhaoyang Cao and Han Yu and Huiyuan Yang and Akane Sano},
journal= {arXiv preprint arXiv:2302.09126},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2211.12422