[논문] CoMetaPNS: 심장 전기생리 시뮬레이션을 위한 지속적 메타학습 기반 개인 맞춤 신경 대리모델

Source: arXiv - 2606.07488v1

개요

개인 맞춤형 가상 심장 시뮬레이션은 모델 개인화와 계산 비용이라는 두 가지 큰 과제에 직면해 있습니다. 신경 대리모델(neural surrogates)은 최첨단 솔루션을 제공하지만, 일반적으로 효율적인 개인화와 일반화 가능한 모델 학습 중 하나만을 다룹니다. 최근 연구는 제한된 피험자별 컨텍스트 데이터를 활용해 대리모델을 개인화하는 과정을 학습함으로써, 세트 조건부 대리모델(set‑conditioned surrogates)과 메타 학습된 암시적 추론(meta‑learned amortized inference)을 이용한 few‑shot 생성 모델링으로 재구성했습니다. 그러나 이러한 방법은 알려진 작업 식별자를 갖는 정적이고 다양한 학습 분포를 전제로 합니다. 새로운 데이터가 등장하면, 기존 데이터를 모두 포함한 비용이 큰 재학습이 필요해 재앙적 망각(catastrophic forgetting)—새로운 작업을 학습할 때 이전 작업을 잊어버리는 현상—을 방지해야 합니다. 이는 라벨이 없는 데이터가 순차적으로 들어오고 전체 재학습이 현실적으로 불가능한 임상 환경에서 큰 제약이 됩니다. 본 논문은 개인화된 신경 대리모델이 정보를 지속적으로 통합할 뿐 아니라, 들어오는 데이터가 알려진 동역학 소스인지 혹은 알 수 없는 소스인지를 식별할 수 있는 새로운 지속적 메타‑학습 프레임워크를 제시합니다. 메모리 버퍼 위에 지속적인 베이지안 가우시안 혼합 모델(Bayesian Gaussian Mixture Model)을 활용함으로써, 우리 프레임워크는 시간에 따라 데이터의 식별자와 관계를 추론할 수 있으며, 이는 효과적인 메타‑학습에 필수적입니다. 합성 심장 데이터에 대한 실험 결과는 기존 베이스라인에 비해 시뮬레이션 예측 정확도, 계산 확장성, 그리고 재앙적 망각에 대한 회복력이 뛰어남을 보여줍니다.

핵심 기여

이 논문은 다음 분야의 연구를 제시합니다:

• cs.LG

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

본 연구는 cs.LG 분야의 발전에 기여합니다.

저자

• Ryan Missel
• Xiajun Jiang
• Linwei Wang

논문 정보

• arXiv ID: 2606.07488v1
• Categories: cs.LG
• Published: 2026년 6월 5일
• PDF: PDF 다운로드