כתבה
arXiv cs.LG ·
DCRA: תיאום התייצבות ייצוגים תחת התפלגות זעזועים
DCRA: Diffusion-Conditioned Representation Alignment for Robust Time-Series Learning
DCRA היא תשתית אימון שמשתמשת בתהליך התפשטות כדי לייצר ייצוגים יציבים לסימני זמן. היא משתמשת באובייקטיב תיאום כדי להתאים את הייצוגים תחת רעש. DCRA הוכיחה עצמה כיעילה במיוחד במקרה של זיהוי שיבושים ב-EEG.
תקציר מקורי באנגליתarXiv:2609.11997v1 Announce Type: new Abstract: Learning robust representations for time-series signals under noise and distribution shifts remains challenging, especially in clinical applications such as electroencephalogram (EEG) and electrocardiogram (ECG) analysis. We propose Diffusion-Conditioned Representation Alignment (DCRA), a training framework that repurposes the forward diffusion process as a structured corruption scheduler for representation learning. Different from conventional augmentation and consistency-based methods that rely on independently sampled perturbations, DCRA introduces a structured corruption trajectory via the diffusion forward process, which enables continuous and controlled representation evolution across noise levels. We introduce a feature-level consisten
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית