연구진은 장기꼬리 데이터 분포에서 심전도(ECG) 부정맥 진단의 신뢰성을 높이기 위해 Angular Gaussian Supervised Contrastive Learning (AG-SCL)을 제안했어요.
AG-SCL은 단위 정규화 임베딩에 대한 전방향 가우시안 대비 학습, 고정된 빈도 기반 마진 대신 학습 가능한 라벨-상태-특이적 사전 교정, 형태학 보존 뷰 생성을 위한 꼬리 인식 증강을 통합했어요.
AG-SCL은 PTB-XL 벤치마크와 야간 ECG 데이터셋에서 최고 수준의 성능을 달성했으며, 특히 희귀하거나 형태학적으로 불안정한 리듬 클래스에서 큰 개선을 보였어요.
AG-SCL 코드는 GitHub에서 공개됐으며, 전방향 모델링, Adaptive Logit Adjustment, 꼬리 인식 증강의 기여를 확인하는 블레이션 연구도 진행됐어요.