論文の概要: A generative, predictive model for menstrual cycle lengths that accounts
for potential self-tracking artifacts in mobile health data
- arxiv url: http://arxiv.org/abs/2102.12439v1
- Date: Wed, 24 Feb 2021 18:00:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-25 13:36:51.124721
- Title: A generative, predictive model for menstrual cycle lengths that accounts
for potential self-tracking artifacts in mobile health data
- Title(参考訳): モバイルヘルスデータにおける自己追跡人工物の可能性を考慮した月経周期長生成予測モデル
- Authors: Kathy Li and I\~nigo Urteaga and Amanda Shea and Virginia J. Vitzthum
and Chris H. Wiggins and No\'emie Elhadad
- Abstract要約: 既定のサイクル長に基づくサイクル長予測のための階層的生成モデルを提案し,評価する。
5,000メンスルータの実際のmHealthサイクル長データを用いた実験により,本手法は最先端の性能を示すことが示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile health (mHealth) apps such as menstrual trackers provide a rich source
of self-tracked health observations that can be leveraged for statistical
modeling. However, such data streams are notoriously unreliable since they
hinge on user adherence to the app. Thus, it is crucial for machine learning
models to account for self-tracking artifacts like skipped self-tracking. In
this abstract, we propose and evaluate a hierarchical, generative model for
predicting next cycle length based on previously tracked cycle lengths that
accounts explicitly for the possibility of users forgetting to track their
period. Our model offers several advantages: 1) accounting explicitly for
self-tracking artifacts yields better prediction accuracy as likelihood of
skipping increases; 2) as a generative model, predictions can be updated online
as a given cycle evolves; and 3) its hierarchical nature enables modeling of an
individual's cycle length history while incorporating population-level
information. Our experiments using real mHealth cycle length data from 5,000
menstruators show that our method yields state-of-the-art performance against
neural network-based and summary statistic-based baselines.
- Abstract(参考訳): 月経トラッカーなどのモバイルヘルス(mHealth)アプリは、統計モデリングに活用できるセルフトラッキング健康観察の豊富なソースを提供します。
しかし、こうしたデータストリームは、ユーザーがアプリに固執しているため、信頼性が低いと悪名高い。
したがって、機械学習モデルがスキップされた自己追跡のような自己追跡アーティファクトを考慮することが重要です。
本要約では,ユーザが周期を追うのを忘れた可能性を明確に説明し,予め追跡した周期長に基づいて,次の周期長を予測するための階層的生成モデルを提案し,評価する。
1) 自己追跡アーチファクトを明示的に計算することにより, スキッピングの可能性が増加するにつれて, 予測精度が向上する。2) 生成モデルとして, 与えられたサイクルが進化するにつれて, 予測をオンラインで更新できる, 3) 階層的な性質により, 個体群レベルの情報を取り込むことなく, 個人のサイクル長履歴のモデル化が可能となる。
5000個の半月板の実際のmHealthサイクル長データを用いて実験した結果,ニューラルネットワークと要約統計に基づくベースラインに対する最先端性能が得られた。
関連論文リスト
- Towards Theoretical Understandings of Self-Consuming Generative Models [60.98692028151328]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,この学習規則が将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
我々は拡散モデルに一般結果を特化し、自己消費ループ内での最適な早期停止の有効性などの微妙な洞察を提供する。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Unified Long-Term Time-Series Forecasting Benchmark [0.6526824510982802]
本稿では,時系列予測のための包括的データセットを提案する。
多様な動的システムと実生活記録から得られたデータセットのコレクションを組み込んだ。
多様なシナリオにおいて最も効果的なモデルを決定するために、古典的および最先端のモデルを用いて広範なベンチマーク分析を行う。
本研究は,これらのモデルの性能比較を興味深いものにし,モデルの有効性のデータセット依存性を強調した。
論文 参考訳(メタデータ) (2023-09-27T18:59:00Z) - Predictive Modeling of Menstrual Cycle Length: A Time Series Forecasting
Approach [1.0878040851638]
月経周期の適切な予測は、個人がサイクルに関連する不快を最小化するために予防行動をとることができるため、女性の健康にとって有意義である。
本研究では,通常の月経周期と不規則周期を予測するための機械学習手法について検討した。
論文 参考訳(メタデータ) (2023-06-11T19:53:31Z) - EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。
EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。
本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文 参考訳(メタデータ) (2023-05-31T13:25:26Z) - Learning to Jump: Thinning and Thickening Latent Counts for Generative
Modeling [69.60713300418467]
ジャンプの学習は、様々な種類のデータの生成モデリングのための一般的なレシピである。
ジャンプの学習が、デノゼの学習と相容れないパフォーマンスを期待される場合と、より良いパフォーマンスを期待される場合を実証する。
論文 参考訳(メタデータ) (2023-05-28T05:38:28Z) - Data Feedback Loops: Model-driven Amplification of Dataset Biases [9.773315369593876]
我々は、あるモデルとのインタラクションを履歴として記録し、将来トレーニングデータとしてスクラップ化するシステムを定式化する。
テスト時間偏差統計に対する変化を追跡することによって、その安定性を経時的に分析する。
バイアス増幅の度合いは、モデルの出力がトレーニング分布のサンプルのように振る舞うかどうかと密接に関連していることがわかった。
論文 参考訳(メタデータ) (2022-09-08T17:35:51Z) - Masked prediction tasks: a parameter identifiability view [49.533046139235466]
マスク付きトークンの予測に広く用いられている自己教師型学習手法に着目する。
いくつかの予測タスクは識別可能性をもたらすが、他のタスクはそうではない。
論文 参考訳(メタデータ) (2022-02-18T17:09:32Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z) - Time-series Imputation and Prediction with Bi-Directional Generative
Adversarial Networks [0.3162999570707049]
本稿では,不規則に観測された時系列データと不規則なエントリを含む長さの時系列データの計算と予測を併用したタスクのモデルを提案する。
我々のモデルは、入力時間ステップ(予測)の内側または外側の欠落した要素をインプットする方法を学び、したがって、時系列データに有効な任意の時間予測ツールとして機能する。
論文 参考訳(メタデータ) (2020-09-18T15:47:51Z) - ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。
そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
論文 参考訳(メタデータ) (2020-04-16T06:43:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。