Buchumschlag

How Do Electrocardiogram Models Scale?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Jiawei, Bonassi, Fabio, Jin, Ming, Gustafsson, Stefan, Sundström, Johan, Schön, Thomas B., Ribeiro, Antônio H.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

How Do Flow Matching Models Memorize and Generalize in Sample Data Subspaces?
von: Gao, Weiguo, et al.
Veröffentlicht: (2024)

CLEF: Clinically-Guided Contrastive Learning for Electrocardiogram Foundation Models
von: Shu, Yuxuan, et al.
Veröffentlicht: (2025)

Accounts of using the Tustin-Net architecture on a rotary inverted pendulum
von: van Esch, Stijn, et al.
Veröffentlicht: (2024)

AICRN: Attention-Integrated Convolutional Residual Network for Interpretable Electrocardiogram Analysis
von: Jayakody, J. M. I. H., et al.
Veröffentlicht: (2025)

Structured state-space models are deep Wiener models
von: Bonassi, Fabio, et al.
Veröffentlicht: (2023)

Decorrelative Network Architecture for Robust Electrocardiogram Classification
von: Wiedeman, Christopher, et al.
Veröffentlicht: (2022)

EnECG: Efficient Ensemble Learning for Electrocardiogram Multi-task Foundation Model
von: Xu, Yuhao, et al.
Veröffentlicht: (2025)

Hallucination Detection in LLMs: Fast and Memory-Efficient Fine-Tuned Models
von: Arteaga, Gabriel Y., et al.
Veröffentlicht: (2024)

Multi-scale Masked Autoencoder for Electrocardiogram Anomaly Detection
von: Zhou, Ya, et al.
Veröffentlicht: (2025)

TolerantECG: A Foundation Model for Imperfect Electrocardiogram
von: Nguyen, Huynh Dang, et al.
Veröffentlicht: (2025)

An Electrocardiogram Multi-task Benchmark with Comprehensive Evaluations and Insightful Findings
von: Xu, Yuhao, et al.
Veröffentlicht: (2025)

Operating critical machine learning models in resource constrained regimes
von: Selvan, Raghavendra, et al.
Veröffentlicht: (2023)

How Well Do Multimodal Models Reason on ECG Signals?
von: Xu, Maxwell A., et al.
Veröffentlicht: (2026)

Masked Transformer for Electrocardiogram Classification
von: Zhou, Ya, et al.
Veröffentlicht: (2023)

How Do Diffusion Models Improve Adversarial Robustness?
von: Yuezhang, Liu, et al.
Veröffentlicht: (2025)

ExChanGeAI: An End-to-End Platform and Efficient Foundation Model for Electrocardiogram Analysis and Fine-tuning
von: Bickmann, Lucas, et al.
Veröffentlicht: (2025)

A Comprehensive Benchmark for Electrocardiogram Time-Series
von: Tang, Zhijiang, et al.
Veröffentlicht: (2025)

(How) Do Language Models Track State?
von: Li, Belinda Z., et al.
Veröffentlicht: (2025)

Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture
von: Kim, Sehun
Veröffentlicht: (2024)

Do Post-Training Algorithms Actually Differ? A Controlled Study Across Model Scales Uncovers Scale-Dependent Ranking Inversions
von: Li, Xiaoyi
Veröffentlicht: (2026)

Shift-Invariant Feature Attribution in the Application of Wireless Electrocardiograms
von: Getnet, Yalemzerf, et al.
Veröffentlicht: (2026)

Human Activity Recognition Based on Electrocardiogram Data Only
von: Montazeri, Sina, et al.
Veröffentlicht: (2025)

Electrocardiogram Classification with Transformers Using Koopman and Wavelet Features
von: Ghosh, Sucheta, et al.
Veröffentlicht: (2026)

Detecting Structural Heart Disease from Electrocardiograms via a Generalized Additive Model of Interpretable Foundation-Model Predictors
von: Zhou, Ya, et al.
Veröffentlicht: (2026)

How Should LLMs Consume High-Quality Data? Optimal Data Scheduling via Quality-Aware Functional Scaling Laws
von: Zhu, Zhitao, et al.
Veröffentlicht: (2026)

TimeOmni-VL: Unified Models for Time Series Understanding and Generation
von: Guan, Tong, et al.
Veröffentlicht: (2026)

Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts
von: Shi, Xiaoming, et al.
Veröffentlicht: (2024)

A Dataset and Benchmarks for Atrial Fibrillation Detection from Electrocardiograms of Intensive Care Unit Patients
von: Nassar, Sarah, et al.
Veröffentlicht: (2025)

ECG-NAT: A Self-supervised Neighborhood Attention Transformer for Multi-lead Electrocardiogram Classification
von: Gazeran, Mahsa, et al.
Veröffentlicht: (2026)

One-Shot Multi-Label Causal Discovery in High-Dimensional Event Sequences
von: Math, Hugo, et al.
Veröffentlicht: (2025)

T2S: High-resolution Time Series Generation with Text-to-Series Diffusion Models
von: Ge, Yunfeng, et al.
Veröffentlicht: (2025)

An Electrocardiogram Foundation Model Built on over 10 Million Recordings with External Evaluation across Multiple Domains
von: Li, Jun, et al.
Veröffentlicht: (2024)

Towards Neural Scaling Laws for Time Series Foundation Models
von: Yao, Qingren, et al.
Veröffentlicht: (2024)

Towards Universal Large-Scale Foundational Model for Natural Gas Demand Forecasting
von: Zhou, Xinxing, et al.
Veröffentlicht: (2024)

How Do Large Language Models Understand Graph Patterns? A Benchmark for Graph Pattern Comprehension
von: Dai, Xinnan, et al.
Veröffentlicht: (2024)

Guiding Masked Representation Learning to Capture Spatio-Temporal Relationship of Electrocardiogram
von: Na, Yeongyeon, et al.
Veröffentlicht: (2024)

ShapeX: Shapelet-Driven Post Hoc Explanations for Time Series Classification Models
von: Huang, Bosong, et al.
Veröffentlicht: (2025)

The Law of Multi-Model Collaboration: Scaling Limits of Model Ensembling for Large Language Models
von: Lu, Dakuan, et al.
Veröffentlicht: (2025)

Advancing Robustness in Deep Reinforcement Learning with an Ensemble Defense Approach
von: Mohan, Adithya, et al.
Veröffentlicht: (2025)

Scaling-laws for Large Time-series Models
von: Edwards, Thomas D. P., et al.
Veröffentlicht: (2024)