要旨: 自動睡眠スコアリング（sleep staging）は、EEGやEOGのような異種の生理信号を含むマルチモーダル学習問題であり、しばしば施設、デバイス、集団をまたぐドメインシフトの影響を受けます。実際には、これらのデータはノイズのあるアノテーションの影響も受けますが、ラベルノイズに頑健なマルチソースドメイン一般化は十分に研究されていません。私たちは、多ソースドメイン一般化睡眠スコアリングにおけるノイズラベル（NL-DGSS）のための最初のベンチマークを提示し、ドメインシフトとラベルノイズが同時に存在する場合に、既存のノイズラベル学習手法が大きく性能劣化することを示します。この課題に対処するために、FF-TRUSTを提案します。FF-TRUSTは、Joint Time-Frequency Early Learning Regularization（JTF-ELR）を伴う、ドメイン不変なマルチモーダル睡眠スコアリングの枠組みです。時間的整合性とスペクトル整合性をともに活用し、さらに信頼度と多様性の正則化を組み合わせることで、FF-TRUSTはノイズのある教師信号下での頑健性を向上させます。5つの公開データセットでの実験により、多様な対称ノイズおよび非対称ノイズの設定において、一貫して最先端の性能を示すことを確認しました。ベンチマークとコードは https://github.com/KNWang970918/FF-TRUST.git で公開予定です。
ノイズのあるラベルを用いた睡眠ステージングのためのマルチソースドメイン汎化に向けて
arXiv cs.LG / 2026/4/14
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、（EEG/EOGなどの）マルチモーダル信号による自動睡眠ステージングを対象とし、性能を低下させる要因であるドメイン間のずれとノイズのあるラベルの双方に取り組む。
- マルチソースのドメイン汎化におけるノイズラベル頑健性を評価するための最初のベンチマークであるNL-DGSSを提案し、ドメインシフトとラベルノイズが同時に発生する場合には既存のノイズラベル手法が失敗することを見出す。
- 提案するFF-TRUSTフレームワークは、Joint Time-Frequency Early Learning Regularization（JTF-ELR）と、確信度と多様性の正則化（confidence-diversity regularization）により、ノイズのある教師あり学習下での頑健性を高めるために、ドメイン不変なマルチモーダル学習を用いる。
- 5つの公開データセットにまたがる実験により、対称ノイズおよび非対称ノイズの両方のシナリオで、一貫して最新の（state-of-the-art）性能を示す。
- 著者らは、提供されたGitHubリポジトリを通じてベンチマークとコードを公開する予定である。
