arXiv · 01.07.2026 ·Машинное обучение

Hierarchical-JEPA: новый метод обучения для анализа временных рядов в медицине

Исследователи представили фреймворк Hierarchical-JEPA для самообучения на многомерных временных рядах, протестированный на данных ЭКГ. Метод решает проблему дефицита размеченных медицинских данных, используя неразмеченные наборы для извлечения признаков. Подход основан на архитектуре Joint-Embedding Predictive Architecture (JEPA), которая эффективно реконструирует события в сигналах, обеспечивая высокую точность анализа при ограниченном доступе к экспертной разметке.

В основе метода лежит иерархическая структура, позволяющая модели улавливать как локальные изменения в сердечном ритме, так и долгосрочные паттерны. В отличие от традиционных методов контрастивного обучения, которые требуют тщательного подбора негативных примеров, Hierarchical-JEPA фокусируется на предсказании скрытых представлений данных. Это делает алгоритм более устойчивым к шумам, характерным для медицинских датчиков.

Применение данной архитектуры к ЭКГ-данным демонстрирует значительный потенциал для автоматизации диагностики сердечно-сосудистых заболеваний. Модель способна эффективно обучаться на больших массивах неразмеченных записей, что критически важно для клинических сценариев, где создание качественных датасетов с аннотациями врачей требует значительных временных и финансовых затрат.

Ключевые факты

Метод использует архитектуру Joint-Embedding Predictive Architecture (JEPA) для работы с многомерными временными рядами.
Основной акцент сделан на задаче реконструкции событий в данных ЭКГ без необходимости в предварительной разметке.
Фреймворк оптимизирован для работы в условиях ограниченного целевого набора данных при наличии больших объемов неразмеченной информации.
Иерархический подход позволяет модели одновременно анализировать краткосрочные и долгосрочные зависимости в сигналах.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение LeNEPA: новый метод обучения представлений временных рядов без аугментаций Исследователи представили LeNEPA — метод самообучения (SSL) для анализа временных рядов, исключающий необходимость в сложных стратегиях аугментации данных. В отличие от классических подходов, полагающихся на выбор специфических представлений, LeNEPA использует прогнозирование скрытых состояний (Next-Latent Prediction), что позволяет модели эффективно извлекать признаки из данных без ручной настройки инвариантов для конкретных доменов. arXiv · Исследования и наука AdaJEPA: адаптивная модель мира для планирования в условиях неопределенности Исследователи представили AdaJEPA — адаптивную латентную модель мира, способную корректировать свои прогнозы в режиме реального времени. В отличие от стандартных моделей, которые остаются статичными после обучения, AdaJEPA адаптируется к изменениям среды во время тестирования. Это позволяет системе сохранять точность планирования даже при возникновении значительных отклонений от обучающего распределения данных. Hacker News · Исследования и наука Глубокое обучение выявило новый ЭКГ-биомаркер внезапной сердечной смерти Исследователи применили методы глубокого обучения для анализа данных электрокардиограмм, что позволило обнаружить новый биомаркер, предсказывающий риск внезапной сердечной смерти. Модель анализирует тонкие паттерны в электрической активности сердца, которые остаются незаметными для традиционных методов диагностики, открывая новые возможности для раннего выявления пациентов из групп высокого риска и превентивной терапии сердечно-сосудистых заболеваний. Hacker News · Исследования и наука ИИ обнаружил новый маркер риска внезапной сердечной смерти на ЭКГ Исследователи применили методы машинного обучения для анализа данных ЭКГ и выявили ранее неизвестный биомаркер, предсказывающий риск внезапной сердечной смерти. Алгоритм проанализировал тысячи записей сердечного ритма, обнаружив скрытые закономерности, которые не фиксируются при стандартной клинической интерпретации. Это открытие может существенно повысить точность ранней диагностики опасных сердечно-сосудистых патологий и персонализировать профилактическое лечение пациентов. Hacker News · ИИ в бизнесе ИИ-алгоритм для выявления риска внезапной сердечной смерти Исследователи из Калифорнийского университета в Беркли разработали модель машинного обучения, способную выявлять скрытые признаки риска внезапной сердечной смерти. Анализируя данные ЭКГ, система обнаруживает аномалии, которые остаются незамеченными при стандартной клинической диагностике. Это решение открывает новые возможности для превентивной кардиологии и автоматизации анализа медицинских показателей пациентов в режиме реального времени. arXiv · Исследования и наука EchoSonar-R: мультимодальная модель для анализа эхокардиографии Исследователи представили EchoSonar-R — специализированную модель для анализа эхокардиографических данных, объединяющую классификацию сердечных патологий с автоматической генерацией клинических отчетов. В отличие от предыдущих систем, ориентированных только на классификацию, архитектура EchoSonar-R использует мультиракурсный подход, синтезируя визуальные доказательства из различных проекций сердца для повышения точности диагностики и формирования структурированных медицинских заключений. arXiv · Исследования и наука Глубокое обучение для прогнозирования прогрессирования болезни Альцгеймера Исследователи представили новый метод глубокого обучения для долгосрочного прогнозирования развития болезни Альцгеймера. В отличие от стандартных моделей, которые ограничиваются классификацией текущего состояния, этот подход учитывает неопределенность прогноза и динамику изменений пациента во времени. Это позволяет врачам не только видеть наиболее вероятный диагноз, но и оценивать надежность предсказаний для построения долгосрочных планов лечения. Hacker News · ИИ в бизнесе Неинвазивный анализ крови с помощью глубокого обучения Исследователи представили новый метод определения показателей крови без необходимости забора биоматериала. Разработанный пайплайн на базе глубокого обучения анализирует данные, полученные неинвазивным путем, что позволяет автоматизировать процесс первичной диагностики и снизить нагрузку на лабораторные службы. arXiv · Исследования и наука CPAgents: автоматизация поиска кардиологических фенотипов с помощью ИИ-агентов Исследователи представили CPAgents — агентную систему для генерации композитных фенотипов, позволяющую выявлять сложные связи между данными кардиологической визуализации и клиническими заболеваниями. В отличие от традиционных методов, опирающихся на заранее заданные переменные, этот подход автоматически формирует многомерные признаки, лучше улавливая нелинейные эффекты и повышая точность стратификации сердечно-сосудистых рисков в масштабных популяционных исследованиях. arXiv · Машинное обучение Масштабируемые байесовские модели для анализа временных рядов в астрономии Исследователи представили новый метод обработки высокочастотных данных астрономических наблюдений, позволяющий эффективно выявлять вспышки на звездах. Традиционные гауссовские процессы (GP) часто сталкиваются с вычислительными ограничениями при работе с длинными временными рядами из-за кубической сложности алгоритмов. Авторы работы предложили решение, объединяющее амортизированный байесовский вывод и скрытые марковские модели (HMM), что позволяет значительно ускорить анализ без потери точности.

← Все материалы