論文の概要: Health Status Prediction with Local-Global Heterogeneous Behavior Graph
- arxiv url: http://arxiv.org/abs/2103.12456v1
- Date: Tue, 23 Mar 2021 11:10:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 13:43:19.131454
- Title: Health Status Prediction with Local-Global Heterogeneous Behavior Graph
- Title(参考訳): 局所的異種行動グラフを用いた健康状態予測
- Authors: Xuan Ma, Xiaoshan Yang, Junyu Gao, and Changsheng Xu
- Abstract要約: ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。
行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。
学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
- 参考スコア(独自算出の注目度): 69.99431339130105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Health management is getting increasing attention all over the world.
However, existing health management mainly relies on hospital examination and
treatment, which are complicated and untimely. The emerging of mobile devices
provides the possibility to manage people's health status in a convenient and
instant way. Estimation of health status can be achieved with various kinds of
data streams continuously collected from wearable sensors. However, these data
streams are multi-source and heterogeneous, containing complex temporal
structures with local contextual and global temporal aspects, which makes the
feature learning and data joint utilization challenging. We propose to model
the behavior-related multi-source data streams with a local-global graph, which
contains multiple local context sub-graphs to learn short term local context
information with heterogeneous graph neural networks and a global temporal
sub-graph to learn long term dependency with self-attention networks. Then
health status is predicted based on the structure-aware representation learned
from the local-global behavior graph. We take experiments on StudentLife
dataset, and extensive results demonstrate the effectiveness of our proposed
model.
- Abstract(参考訳): 健康管理は世界中で注目を集めています。
しかし、既存の健康管理は主に、複雑で不定期な病院の診察と治療に依存している。
モバイルデバイスの出現は、人々の健康状態を便利かつ即時的に管理することを可能にする。
ウェアラブルセンサから継続的に収集されるさまざまなデータストリームを用いて、健康状態の推定を行うことができる。
しかし、これらのデータストリームは多ソースで異種であり、局所的な文脈とグローバルな時間的側面を持つ複雑な時間構造を含んでいるため、特徴学習とデータ共同利用は困難である。
本研究では,複数の局所コンテキストサブグラフを含む行動関連多元データストリームをモデル化し,ヘテロジニアスグラフニューラルネットワークを用いた短期的局所コンテキスト情報学習と,自己接続ネットワークを用いた長期依存学習のためのグローバル時間サブグラフを提案する。
そして、ローカル・グローバル行動グラフから学習した構造認識表現に基づいて、健康状態を予測する。
学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
関連論文リスト
- Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳(メタデータ) (2023-10-28T12:08:03Z) - Multimodal Graph Learning for Modeling Emerging Pandemics with Big Data [3.4512624130325786]
本稿では,時間グラフニューラルネットワークとマルチモーダルデータを統合して学習と予測を行う,MGL4MEPという新しいフレームワークを提案する。
我々は、特定の訓練済み言語モデルを利用することで、ソーシャルメディアコンテンツを含むビッグデータソースを組み込む。
この統合は、時間グラフニューラルネットワークによる学習を通じて、パンデミックのダイナミクスの豊富な指標を提供する。
論文 参考訳(メタデータ) (2023-10-23T04:05:19Z) - TractCloud: Registration-free tractography parcellation with a novel
local-global streamline point cloud representation [63.842881844791094]
現在のトラクトグラフィーのパーセレーション法は登録に大きく依存しているが、登録の不正確さはパーセレーションに影響を及ぼす可能性がある。
我々は,個別の主題空間で直接,脳全体のトラクトログラフィ解析を行う,登録不要のフレームワークであるTractCloudを提案する。
論文 参考訳(メタデータ) (2023-07-18T06:35:12Z) - An Adaptive Federated Relevance Framework for Spatial Temporal Graph
Learning [14.353798949041698]
本稿では,空間時間グラフ学習のための適応型フェデレーション関連フレームワークであるFedRelを提案する。
フレームワークのコアとなるDynamic Inter-Intra Graph (DIIG)モジュールは、これらの機能を使用して空間時間グラフを生成することができる。
局所的なデータプライバシーを維持しながらモデルの一般化能力と性能を向上させるため、関連性駆動型フェデレーション学習モジュールを設計する。
論文 参考訳(メタデータ) (2022-06-07T16:12:17Z) - Momentum Contrastive Voxel-wise Representation Learning for
Semi-supervised Volumetric Medical Image Segmentation [2.3322477552758234]
医用画像セグメンテーションのためのグローバルな視覚表現を学習するための幾何学的制約付きコントラストVoxel-wise Representation(CVRL)法を提案する。
このフレームワークは,3次元空間的コンテキストと豊かな解剖学的情報をキャプチャすることで,グローバルおよびローカルな特徴を効果的に学習することができる。
論文 参考訳(メタデータ) (2021-05-14T20:27:23Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳(メタデータ) (2020-09-27T12:30:30Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳(メタデータ) (2020-09-19T09:26:20Z) - Real-World Multi-Domain Data Applications for Generalizations to
Clinical Settings [1.508558791031741]
ディープラーニングモデルは、臨床試験のような人工的な設定から標準化されたデータセットでトレーニングされた場合、うまく機能する。
マルチドメイン実世界のデータセットに転送学習を用いた自己教師型アプローチを用いることで、標準化されたデータセットに対して16%の相対的改善が達成できることを示す。
論文 参考訳(メタデータ) (2020-07-24T17:41:23Z) - A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for
Question Answering Over Dynamic Contexts [81.4757750425247]
動的テキスト環境における質問応答について検討する。
構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
論文 参考訳(メタデータ) (2020-04-25T04:53:54Z) - Health State Estimation [2.463876252896007]
論文は、個人モデルを構築し、個人の健康状態を動的に推定するアプローチを提示します。
システムは4つの重要な抽象要素から縫合される。
実験では、個々の心臓血管の健康状態を監視するために、高密度で均一な現実世界のデータを使用することが示されている。
論文 参考訳(メタデータ) (2020-03-16T21:06:32Z)
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。