2026年02月24日
## 要約：
医療時系列データ（心電図や脳波など）の分析において、Transformerモデルの注意機構がチャンネル間の依存関係のモデリングに課題を抱えていた。本研究では、中央集権的なMLPモジュール「CoTAR」を提案し、従来の分散型注意機構に代わることで、医療データの集中型特性との整合性を高め、計算効率を向上させた。実験により、既存手法を大幅に上回る性能と効率が確認された。
---
## 翻訳：
arXiv:2602.18473v1 Announce Type: new
Abstract: 心電図（ECG）や脳波（EEG）などの医療時系列データ（MedTS）の正確な分析は、脳や心臓の病気の診断など、医療アプリケーションにおいて重要な役割を果たします。MedTSデータは通常、個々のチャンネル内の時間的依存関係と、複数のチャンネルにわたるチャンネル依存関係という、2つの重要なパターンを示します。最近の深層学習の進歩により、Transformerベースのモデルが時間的依存関係を効果的に捉えるために活用されてきましたが、チャンネル依存関係のモデリングには苦戦することがあります。この制限は、構造的なミスマッチに起因します。MedTS信号は本質的に集中型であるのに対し、Transformerの注意機構は分散型であり、グローバルな同期や統一された波形パターンを捉える効果が薄いのです。このミスマッチに対処するために、分散型注意機構の代替となる、中央集権的なMLPベースのモジュールであるCoTAR（コアトークン集約-再分配）を提案します。標準的な注意機構のように、すべてのトークンが直接相互作用することを許可するのではなく、CoTARは、トークン間の相互作用を容易にするためのプロキシとして機能するグローバルコアトークンを導入し、集中型の集約と再分配戦略を強制します。この設計は、MedTS信号の集中型特性により適しているだけでなく、計算複雑さを二次関数から線形関数に低減します。5つのベンチマークでの実験により、当社の方法が有効性と効率の両方で優れていることが検証され、APAVAデータセットで最大12.13%の改善を達成し、以前の最先端技術と比較して、メモリ使用量は33%、推論時間は20%に削減されました。コードとすべてのトレーニングスクリプトは、https://github.com/Levi-Ackman/TeChで入手できます。
[📰 原文はこちら](https://arxiv.org/abs/2602.18473)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
