MOSAIC: 파킨슨병 보행 평가를 위한 모달리티별 적응형 증분 지속 학습

원문 발행 2026. 06. 11. 21:15원문 언어 영어AI 한국어 번역arXiv cs.AI 원문 보기

요약

본 논문은 파킨슨병 보행 평가를 위해 다양한 센서 모달리티가 점진적으로 추가되는 환경에 적응하는 지속 학습 프레임워크인 MOSAIC를 제안합니다. 이 프레임워크는 신뢰성 문제와 통계적 변화, 가소성 감소 문제를 해결하기 위한 세 가지 핵심 요소를 포함합니다.

핵심 포인트

MOSAIC: 파킨슨병 보행 평가를 위한 적응형 지속 학습 프레임워크.
Modality-Specific Warm-Up을 통해 새로 학습된 모달리티 표현의 안정화.
statistics-decoupled MSBN 아키텍처로 센서 통계 분리 및 공유 의미론적 백본 유지.
커리큘럼 기반 반발 목적 함수를 설계하여 레거시 지식 보존과 가소성 회복.

보행 기반의 파킨슨병 평가는 점점 더 이질적인 센서에 의존하고 있지만, 임상 시스템은 모든 모달리티를 동시에 수집하는 경우가 드뭅니다. 새로운 센서는 장치 업그레이드, 프로토콜 변경 또는 다기관 배포를 통해 도착할 수 있으며, 반면 과거 환자 데이터는 개인 정보 보호 및 저장 제약으로 인해 이용 불가능한 경우가 많습니다. 이러한 모달리티 증분(modality-incremental) 설정은 세 가지 문제에 직면합니다: 신뢰할 수 없는 교차 모달 증류(cross-modal distillation), 모달리티별 통계적 변화(modality-specific statistical shifts), 그리고 보존 후 감소하는 가소성(reduced plasticity after preservation). 본 논문에서는 간결한 지속 학습 프레임워크인 MOSAIC를 제안합니다. 첫째, 우리는 Toxic Teacher 현상을 식별하고 증류 전에 새로 학습된 모달리티 표현을 안정화하기 위해 Modality-Specific Warm-Up을 도입합니다. 둘째, 공유되는 의미론적 백본(semantic backbone)을 유지하면서 센서 통계를 분리하는 statistics-decoupled MSBN 아키텍처를 제안합니다. 셋째, 레거시 지식을 보존하는 동시에 모달리티별 용량을 회복하기 위해 가소성 복구(Plasticity Recovery)를 위한 커리큘럼 기반의 반발 목적 함수(curriculum-guided repulsive objective)를 설계했습니다. 세 가지 다중 모달 파킨슨병 보행 데이터셋에 대한 실험 결과, MOSAIC가 최종 성능을 향상시키고 망각(forgetting)을 완화함을 보여줍니다. 프로젝트 코드는 다음에서 이용 가능합니다: https://github.com/minlinzeng/MOSAIC_Modality-Specific-Adaptation-for-Incremental-Continual-Learning-in-PD-Gait-Assessment.git

AI 자동 생성 콘텐츠

원문 바로가기

MOSAIC: 파킨슨병 보행 평가를 위한 모달리티별 적응형 증분 지속 학습

요약

핵심 포인트

댓글