Jinfan Li va Xiangru Li tomonidan ishlab chiqilgan LGADNet — kuchli shovqin ichidagi zaif va lokal signal naqshlarini aniqlash bilan birga, ketma-ketlikning uzoq qismlari orasidagi global bog‘liqliklarni modellashtirishga qaratilgan chuqur o‘rganish arxitekturasidir. Tadqiqotchilar namunaga qarab moslashuvchan dinamik konvolyutsiyalarni qo‘llovchi Dinamik lokal yo‘naltirish (Dynamic Local Guiding, DLG) modulini o‘rganiluvchi pozitsion kodlash va ventilli (darvozali) mexanizmga ega Ventilli global shovqinsizlantirish (Gated Global Denoising, GGD) moduli bilan birlashtirdilar.

Uslubiyot dastlab past signal-shovqin nisbatiga (SNR) ega yulduzlar spektrlaridan samarali harorat, sirt tortishish kuchi, metallik darajasi va uglerod mo‘lligini bashorat qilishda sinovdan o‘tkazildi. Tadqiqotchilar tayyorlagan LSS ma’lumotlar to‘plami ommaviy astronomik kuzatuvlarni o‘zaro moslashtirish orqali shakllantirilgan 59 983 ta spektrdan iborat. LGADNet samarali harorat uchun 50,18, [C/Fe] uchun 0,045 va [Fe/H] uchun 0,042 o‘rtacha mutlaq xatolikka (MAE) erishib, solishtirilgan usullar orasida ushbu uchta ko‘rsatkich bo‘yicha eng past xatolikni qayd etdi. Sirt tortishish kuchi bo‘yicha 0,079 qiymatiga erishgan bo‘lsa-da, bu parametrda MSFL-IECW modelining 0,078 natijasidan biroz orqada qoldi.

Bashorat qilingan yulduz parametrlari asosida uglerodga boy, metallga kambag‘al (CEMP) yulduzlarni aniqlash vazifasida LGADNet 0,816 aniqlik (precision) va 0,725 F1 ballini qo‘lga kiritdi. To‘liqlik (recall) ko‘rsatkichi 0,652 bilan eng yuqori natija bo‘lmadi; StarGRUNet 0,697 to‘liqlikka erishgan edi. Shu bois usulning asosiy ustunligi ko‘proq nomzodlarni ilib olishdan ko‘ra, soxta musbat natijalarni (false positives) kamaytirib, aniqlik va F1 muvozanatini oshirishidadir.

Model shuningdek MIT-BIH yurak ritmi ma’lumotlar bazasida besh sinfli aritmiya tasniflashiga moslashtirildi va 0,991 umumiy aniqlik qayd etdi. Shunday bo‘lsa-da, bu tajriba astronomiya ma’lumotlarida o‘qitilgan modelning EKG signallariga to‘g‘ridan-to‘g‘ri o‘tkazilishi (zero-shot transfer) emas. Tarmoqning bloklar soni va chiqish qatlami o‘zgartirilib, model EKG vazifasi uchun noldan qayta o‘qitilgan. Binobarin, natijalar to‘g‘ridan-to‘g‘ri transferni emas, ayni bir arxitektura g‘oyasining ikkinchi sohada ham qo‘llanishi mumkinligini ko‘rsatadi.

Tadqiqotning asosiy cheklovlari: faqat o‘qitish va validatsiya to‘plamlarining ochiqlangani, mustaqil test to‘plamining yo‘qligi, EKG ma’lumotlarining bemorlar kesimida ajratilgani noma’lumligi, o‘qitish parametrlarining katta qismi hisobot qilinmagani hamda kod va LSS ma’lumotlar to‘plamining ko‘rib chiqish vaqtida ochiq emasligidir. Natijalar LGADNet ning istiqbolli ekanini ko‘rsatadi; ammo klinik foydalanish, astronomik kataloglar tuzish yoki boshqa ilmiy guruhlarda qo‘llash uchun mustaqil tasdiqlash talab etiladi.

Tadqiqot ko‘rib chiqqan asosiy muammo

Astronomik spektrlar, elektrokardiogrammalar va shunga o‘xshash ketma-ketlikdagi ilmiy signallar o‘rganilayotgan tizim haqida qimmatli ma’lumotlarni tashiydi. Biroq o‘lchov asboblarining sezgirlik chegaralari, atrof-muhit ta’sirlari, uzatish yo‘qotishlari va fon shovqinlari tufayli ajratuvchi axborot ko‘pincha kuchli shovqin ichida zaif va lokal naqshlar ko‘rinishida qolib ketadi.

Yulduz spektrida uglerod mo‘lligini ko‘rsatuvchi molekulyar tasmalar faqat muayyan to‘lqin uzunligi oraliqlarida paydo bo‘lishi mumkin. EKG yozuvida yurak ritmi buzilishini ko‘rsatuvchi morfologik o‘zgarishlar esa yurak urishining qisqa bir vaqt oralig‘ida joylashadi. Bunga qaramasdan, to‘g‘ri bashorat qilish uchun nafaqat bu lokal detallar, balki spektrning turli to‘lqin uzunliklari yoki yurak urishining turli vaqt nuqtalari orasidagi uzoq masofali bog‘liqliklar ham muhimdir.

Tadqiqot oldiga qo‘yilgan ikki tomonlama talab:

• Shovqin ichida qolgan zaif, qisqa masofali va namunaga xos strukturalarni ilg‘ash;
• Ketma-ketlikning bir-biridan uzoq qismlari orasidagi global bog‘liqliklarni modellashtirish.

Mavjud usullarning cheklovlari

An’anaviy xususiyatlar muhandisligi veyvlet-almashtirish, asosiy komponentlar tahlili (PCA), shablon moslashtirish va statistik ko‘rsatkichlar kabi oldindan ishlab chiqilgan belgilarga tayanadi. Bu belgilar yuqori sifatli signallarda yaxshi ishlasa-da, shovqin kuchayganda va signallar morfologiyasi o‘zgarganda ularning unumdorligi pasayadi.

Standart konvolyutsion neyron tarmoqlari (CNN) lokal naqshlarni yaxshi ushlaydi. Ammo o‘qitish tugagach, barcha namunalarga ayni bir xil qat’iy filtrlarni (yadrolarni) qo‘llaydi. Shovqin taqsimoti yoki signal shakli namunadan namunaga keskin o‘zgarganda qat’iy yadrolarning moslashuvchanligi yetarli bo‘lmaydi.

Transformer arxitekturalari o‘z-o‘ziga e’tibor (self-attention) mexanizmi orqali uzoq masofali bog‘liqliklarni mukammal modellashtiradi. Biroq self-attention qaysi javob haqiqiy signal, qaysi biri shovqin ekanini avtomatik ajrata olmaydi. Shovqinli xususiyatlarning to‘g‘ridan-to‘g‘ri global o‘zaro ta’sirga kiritilishi xatoliklarning butun ketma-ketlik bo‘ylab tarqalishiga olib keladi.

CNN–Transformer gibridlarida esa tadqiqotchilar past SNR sharoitida ikkita asosiy kamchilikni qayd etadilar:

1. Lokal bosqichda asosan qat’iy (statik) konvolyutsiya yadrolari qo‘llanilishi;
2. Global bosqichdan oldin shovqinni tanlab bostiruvchi aniq mexanizmning yo‘qligi.

LGADNet ning asosiy tuzilishi

LGADNet avval lokal strukturalarni har bir namunaga moslashgan holda kuchaytiradi, so‘ngra bu kuchaytirilgan ifodalarni saralovchi filtrdan o‘tkazib, global munosabatlarni modellashtiradi. Asosiy zanjir:

\[ \text{Kirish signali} \rightarrow \text{xususiyatlar proyeksiyasi} \rightarrow \text{DLG} \rightarrow \text{GGD} \rightarrow \text{bashorat boshi} \]

Bir o‘lchamli kiruvchi signal:

\[ X\in\mathbb{R}^{L} \]

Dastlabki proyeksiya qatlami signalni C kanalli fazoga o‘tkazadi:

\[ X_{\mathrm{proj}}\in\mathbb{R}^{C\times L} \]

Ushbu ifoda avval DLG moduliga, so‘ngra GGD moduliga uzatiladi.

1-rasm: Arxitektura oqimi nimani ko‘rsatadi?

9-sahifadagi 1-rasm LGADNet ning uchta asosiy bosqichini tasvirlaydi. Asosiy oqimda 1D signal yuqori o‘lchamli xususiyatlar xaritasiga aylantiriladi, so‘ng DLG va GGD modullaridan o‘tib, ko‘p qatlamli perseptron (MLP) bashorat boshiga yetib boradi.

DLG blokida bitta kirishni parallel ishlovchi uchta tarmoq mavjud:

• Lokal xususiyatlar tarmog‘i,
• Dinamik konvolyutsiya tarmog‘i,
• Barqaror qisqa yo‘l tarmog‘i.

GGD blokida esa o‘rganiluvchi pozitsion kodlash qo‘shilishi, ventillar bilan elementma-element ko‘paytirish va saralangan xususiyatlarning Transformer kodlagichiga uzatilishi ko‘rsatilgan.

Dinamik lokal yo‘naltirish (DLG) moduli

DLG moduli ayni bir kirish xususiyatini parallel tarzda uchta tarmoq orqali qayta ishlaydi. Maqsad — to‘liq dinamik modelning o‘qitishdagi beqarorligidan qochgan holda har bir namunaga moslashuvchan lokal xususiyatlarni kuchaytirishdir.

1-tarmoq: Nochiziqli lokal xususiyatlarni ajratish

Ushbu tarmoq ReLU aktivatsiyasiga ega ikkita ketma-ket 1D konvolyutsiya qatlamidan iborat bo‘lib, kengroq qamrov maydonida murakkab lokal munosabatlarni qamrab oladi. Bu tarmoq statik bo‘lib, modulning ishonchli asosini ta’minlaydi.

2-tarmoq: Dinamik konvolyutsiya

Dinamik konvolyutsiya tarmog‘ida to‘rtta nomzod yadro tayyorlangan:

\[ \{W_g\}_{g=1}^{G},\qquad G=4 \]

Har bir nomzod yadro:

\[ W_g\in\mathbb{R}^{C_{\mathrm{out}}\times C_{\mathrm{in}}\times K} \]

o‘lchamiga ega. Kirish xususiyatlaridan global o‘rtacha havuzlash (GAP) orqali kanal statistikasi olinadi:

\[ X_{\mathrm{glob}}=\operatorname{GAP}(X) \in\mathbb{R}^{C_{\mathrm{in}}\times1} \]

Kichik ventil tarmog‘i to‘rtta nomzod yadro uchun namunaga xos aralashtirish koeffitsiyentlarini ishlab chiqadi:

\[ \boldsymbol{\alpha} =[\alpha_1,\alpha_2,\ldots,\alpha_G],\qquad \alpha_g\geq0,\quad \sum_{g=1}^{G}\alpha_g=1 \]

Aralashgan dinamik yadro quyidagicha hosil qilinadi:

\[ W_{\mathrm{mix}} =\sum_{g=1}^{G}\alpha_gW_g \]

Shu tariqa turli shovqin darajasidagi kirishlar uchun to‘rtta bazaviy yadroning turlicha kombinatsiyalari ishlatiladi.

3-tarmoq: Barqaror qisqa yo‘l (Residual connection)

Bitta konvolyutsiyadan iborat qisqa yo‘l gradient oqimini yengillashtiradi va dinamik tarmoq keltirib chiqarishi mumkin bo‘lgan tebranishlarni barqarorlashtiradi.

Tarmoqlarni birlashtirish

Chiqishlar elementma-element qo‘shiladi:

\[ F_{\mathrm{out}} =\phi\left( F_{\mathrm{res1}}+ F_{\mathrm{res2}}+ F_{\mathrm{res3}} \right) \]

Bu kanal sonini ko‘paytirmasdan parametrlar tejamkorligini ta’minlaydi.

Ventilli global shovqinsizlantirish (GGD) moduli

O‘rganiluvchi pozitsion kodlash

Maksimal uzunlik 1000 deb olinib, quyidagi o‘rganiluvchi pozitsion matritsa kiritilgan:

\[ P\in\mathbb{R}^{L_{\max}\times C_{\mathrm{final}}}, \qquad L_{\max}=1000 \]

\[ F_{\mathrm{pos}} =F_{\mathrm{dlg}}^{\mathsf{T}} +P_{1:L_d} \]

Elementma-element ventillash (Gating)

\[ G= \rho\left(F_{\mathrm{pos}}A_g+b_g\right) \]

Bu yerda ρ — Sigmoid funksiyasi bo‘lib, ventillar oralig‘ida bo‘ladi:

\[ F_{\mathrm{sel}} =F_{\mathrm{pos}}\odot G \]

Ventil qiymatining 1 ga yaqinlashishi signal saqlanishini, 0 ga intilishi esa shovqin bostirilishini ta’minlaydi.

Global bog‘liqliklarni modellashtirish

Saralangan xususiyatlar ikkita Transformer kodlagich blokiga uzatiladi:

\[ F_{\mathrm{trans}} =\mathcal{T}_{N}(F_{\mathrm{sel}}), \qquad N=2 \]

\[ F_{\mathrm{ggd}} =F_{\mathrm{trans}}^{\mathsf{T}} \]

LSS yulduz spektrlari ma’lumotlar to‘plami

LSS to‘plami LAMOST DR12 past aniqlikdagi spektrlari bilan APOGEE DR17, LAMOST–Subaru va SAGA kataloglarini o‘zaro moslashtirish orqali tuzilgan. Faqat S/N > 5 bo‘lgan spektrlar olingan. Doppler tuzatishi, to‘lqin uzunligini qayta namunalash, kubik spline, Savitskiy–Golay (Savitzky–Golay) silliqlashi va kontinuum normalizatsiyasidan so‘ng yakuniy 59 983 ta spektr tanlab olingan.

Alohida yashirin test to‘plami berilmagan.

Yulduz parametrlari regressiyasi natijalari

LGADNet samarali harorat, uglerod va temir mo‘lligida eng past xatolikni qayd etdi, log g bo‘yicha ikkinchi o‘rinda bo‘ldi.

CEMP yulduzlarini aniqlash natijalari

LGADNet 0,816 precision bilan soxta xatoliklarni eng kam darajaga tushirdi, biroq recall bo‘yicha StarGRUNet dan pastroq bo‘ldi.

MIT-BIH EKG aritmiya tasniflash natijalari

LGADNet N, S, F va Q sinflarida eng yuqori F1 ballarini berdi, umumiy aniqligi 0,991 bo‘ldi.

Ablatsiya tahlili

DLG va GGD modullarining birgalikda ishlashi barcha to‘rtta parametrda eng past xatolikni ta’minladi, hisoblash narxi esa 420 M FLOP ga yetdi.

Tadqiqotning kuchli tomonlari

• Lokal moslashuvchanlik (DLG) bilan global filtrlashni (GGD) yagona tizimda muvaffaqiyatli birlashtirgan.
• Dinamik konvolyutsiyani statik qisqa yo‘llar bilan barqarorlashtirgan.
• Astronomik parametrlarni MAE bo‘yicha sezilarli pasaytirgan va CEMP da yuqori precision olgan.
• Ayni model arxitekturasini 1D biotibbiy signallarda (EKG) ham samarali qo‘llagan.
• Ablatsiya tahlili va Saliency xaritalari bilan komponentlar hissasini tushuntirgan.

Tadqiqotning cheklovlari

• Tadqiqot taqrizdan o‘tmagan preprintdir.
• Alohida yashirin test to‘plami taqdim etilmagan.
• O‘qitishning ko‘plab giperparametrlari (o‘rganish tezligi, optimizator, batch) hisobot qilinmagan.
• EKG tajribasida bemorlar bo‘yicha ajratish (inter-patient split) qoidasi aniq emas.
• LSS ma’lumotlar to‘plami va manba kodi ochiq havola qilinmagan.

Tadqiqot usuli va natijalari

Manba va metodologiya eslatmasi

Tadqiqotning asl nomi: LGADNet: A Local-Guided Adaptive Denoising Network for Low-SNR Sequential Signal Modeling

Mualliflar: Jinfan Li; Xiangru Li (Janubiy Xitoy pedagogika universiteti, Kompyuter fanlari maktabi, Guanchjou, Xitoy; xiangru.li@gmail.com).

DOI:10.2139/ssrn.6958831

Nashr platformasi: SSRN.

Taqriz holati: Tadqiqot ilmiy taqrizdan o‘tmagan.

Ushbu sharh yuklangan 30 sahifalik PDF hujjatining matni, formulalari, jadvallari va grafiklari asosida tayyorlandi. PDF da bo‘lmagan yangi natija qo‘shilmadi.