教師なしドメイン転送：スコアリングの実在性を高めることで睡眠モニタリングにおける信号劣化を克服する

要旨: 目的: 睡眠監視のモバイル計測において、任意の種類の信号劣化を扱うための教師なし手法を導くのに、仮眠グラム（hypnogram）の「現実味（realism）」を用いることができるかどうかを調査する。
アプローチ: 事前学習済みの最先端「u-sleep」モデルと「判別器（discriminator）」ネットワークを組み合わせることで、ターゲット領域からの特徴を、事前学習中に学習された特徴空間に整合させる。提案手法を検証するために、現実的な信号劣化によってソース領域を歪ませ、手法が異なる種類の劣化にどれほど適応できるかを確認する。さらに、得られたモデルの性能を、各種の転移（transfer）ごとに教師ありで設計された最良ケースのモデルと比較する。
主な結果: 歪みの種類に応じて、教師なしアプローチによりCohenのκ（カッパ）を0.03という少ない値から最大0.29まで向上させ得ること、そしてすべての転移において性能を低下させないことを見出した。しかし、提案手法は推定された理論上の最適性能には決して完全には到達せず、2つの睡眠研究間に現実世界で生じた領域不一致に対してテストした場合には、その利点は有意ではなかった。
意義: 「判別器に導かれたファインチューニング（discriminator-guided fine tuning）」は、「野外（in the wild）」での睡眠監視において信号劣化を扱う興味深いアプローチであり、一定の期待が持てる。特に、睡眠データ一般について述べていることが興味深い。ただし、「本番運用（in production）」で用いる前には、さらなる開発が必要になるだろう。