Fugu-MT 論文翻訳(概要): Forecasting with Sparse but Informative Variables: A Case Study in Predicting Blood Glucose

論文の概要: Forecasting with Sparse but Informative Variables: A Case Study in Predicting Blood Glucose

arxiv url: http://arxiv.org/abs/2304.08593v1
Date: Mon, 17 Apr 2023 20:16:09 GMT
ステータス: 処理完了
システム内更新日: 2023-04-19 16:43:14.669331
Title: Forecasting with Sparse but Informative Variables: A Case Study in Predicting Blood Glucose
Title（参考訳）: スパース・インフォーマティブ・変数による予測 : 血糖予測のケーススタディ
Authors: Harry Rubin-Falcone and Joyce Lee and Jenna Wiens
Abstract要約: 時系列予測では、将来の目標値は本質的な効果と外生的な効果の両方に影響される可能性がある。テキストスパース・インフォメーション変数(SIV)の時間差効果を正確に学習する新しいエンコーダ/デコーダ予測手法を提案する。血液グルコース予測の課題に関するシミュレーションデータセットでは,rMSEの基準値のアプローチよりも優れた結果が得られた。
参考スコア（独自算出の注目度）: 11.31203699519559
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In time-series forecasting, future target values may be affected by both intrinsic and extrinsic effects. When forecasting blood glucose, for example, intrinsic effects can be inferred from the history of the target signal alone (\textit{i.e.} blood glucose), but accurately modeling the impact of extrinsic effects requires auxiliary signals, like the amount of carbohydrates ingested. Standard forecasting techniques often assume that extrinsic and intrinsic effects vary at similar rates. However, when auxiliary signals are generated at a much lower frequency than the target variable (e.g., blood glucose measurements are made every 5 minutes, while meals occur once every few hours), even well-known extrinsic effects (e.g., carbohydrates increase blood glucose) may prove difficult to learn. To better utilize these \textit{sparse but informative variables} (SIVs), we introduce a novel encoder/decoder forecasting approach that accurately learns the per-timepoint effect of the SIV, by (i) isolating it from intrinsic effects and (ii) restricting its learned effect based on domain knowledge. On a simulated dataset pertaining to the task of blood glucose forecasting, when the SIV is accurately recorded our approach outperforms baseline approaches in terms of rMSE (13.07 [95% CI: 11.77,14.16] vs. 14.14 [12.69,15.27]). In the presence of a corrupted SIV, the proposed approach can still result in lower error compared to the baseline but the advantage is reduced as noise increases. By isolating their effects and incorporating domain knowledge, our approach makes it possible to better utilize SIVs in forecasting.
Abstract（参考訳）: 時系列予測では、将来の目標値は内因的効果と外因的効果の両方に影響される可能性がある。例えば、血糖値を予測する場合、内因性効果は標的信号の履歴のみから推測できる(\textit{i} blood glucose)が、内因性効果の影響を正確にモデル化するには、摂取される炭水化物量のような補助的シグナルが必要である。標準的な予測手法は、外生的および内生的効果が同様の速度で変化すると仮定することが多い。しかし、補助信号が目標変数よりもはるかに低い周波数で生成される場合(例えば、血糖測定は5分毎に行われ、食事は数時間に1回行われる)、よく知られた過剰な効果(例えば、炭水化物は血糖を増加させる)さえも学ぶことは困難である。これらの<textit{sparse but informative variables} (SIVs)をよりよく活用するために、SIVの時間点効果を正確に学習する新しいエンコーダ/デコーダ予測手法を導入する。 (i)本質的な効果から分離し、 (ii)ドメイン知識に基づく学習効果の制限。血糖予測の課題に関するシミュレーションデータセットでは、SIVが正確に記録されると、rMSE (13.07 [95% CI: 11.77,14.16] vs. 14.14 [12.69,15.27]) でベースラインアプローチよりも優れている。劣化したsivが存在する場合、提案手法はベースラインに比べて誤差が少ないが、ノイズが増加するにつれて利点は減少する。それらの効果を分離し、ドメイン知識を取り入れることで、我々のアプローチは予測にSIVをより活用することができる。

関連論文リスト

Mixed Effects Deep Learning for the interpretable analysis of single cell RNA sequencing data by quantifying and visualizing batch effects [6.596656267996196]
シングルセルRNAシークエンシング(scRNA-seq)データは、しばしば技術的または生物学的バッチ効果によって構築される。既存のディープラーニングモデルはこれらの効果を緩和するが、バッチ固有の情報を捨てることが多い。本稿では,バッチ不変量(固定効果)とバッチ固有量(ランダム効果)を別々にモデル化したMEDL自動エンコーダフレームワークを提案する。
論文参考訳（メタデータ） (2024-11-11T00:10:48Z)
From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [50.80532910808962]
GluFormerは、トランスフォーマーアーキテクチャに基づく生体医学的時間的データの生成基盤モデルである。 GluFormerは5つの地理的領域にまたがる4936人を含む15の異なる外部データセットに一般化されている。今後4年間の健康状態も予測できる。
論文参考訳（メタデータ） (2024-08-20T13:19:06Z)
Interpretable Mechanistic Representations for Meal-level Glycemic Control in the Wild [10.240619571788786]
CGMと食事データの解釈可能な表現を学習するためのハイブリッド変分オートエンコーダを提案する。本手法は, 力学微分方程式の入力に潜時空間を基底として, 生理的量に反映した埋め込みを生成する。私たちの埋め込みは、ナイーブ、エキスパート、ブラックボックス、純粋なメカニスティックな特徴よりも最大4倍優れたクラスタを生成します。
論文参考訳（メタデータ） (2023-12-06T08:36:23Z)
How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文参考訳（メタデータ） (2023-08-17T20:40:30Z)
Zero-shot causal learning [64.9368337542558]
CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
論文参考訳（メタデータ） (2023-01-28T20:14:11Z)
Identifying Differential Equations to predict Blood Glucose using Sparse Identification of Nonlinear Systems [0.0]
本研究では, 糖尿病患者の血糖値のモデル化の可能性について検討した。インスリンとカロリーに影響を及ぼす変数の組み合わせは、解釈可能なモデルを見つけるために用いられる。本研究では, 長期血糖動態を微分方程式を用いてシミュレートすることが可能であり, 影響変数がほとんどないことを示す。
論文参考訳（メタデータ） (2022-09-28T06:11:23Z)
Treatment Effect Risk: Bounds and Inference [58.442274475425144]
平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
論文参考訳（メタデータ） (2022-01-15T17:21:26Z)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)
Forecasting blood sugar levels in Diabetes with univariate algorithms [0.630926369395004]
ウェアラブルガジェットと組み合わされたAIプロシージャは、正確な一過性の血糖レベル予測モデルを伝達することができる。この時点まで、情報駆動予測モデルを作成する主要な手法は、医師や患者が治療を理想的に変えるのに役立つ「期待できる限りの情報」を収集することであった。我々は、ウェアラブルプロセッサ内での実行に適したAIタイムアレンジメントガイダンス戦略を利用して、これらのモデルの進歩を構築した。
論文参考訳（メタデータ） (2021-01-12T21:52:57Z)
Bayesian neural network with pretrained protein embedding enhances prediction accuracy of drug-protein interaction [3.499870393443268]
ディープラーニングのアプローチは、人間による試行錯誤なしに薬物とタンパク質の相互作用を予測できる。本稿では,小さなラベル付きデータセットで優れた性能を示すディープラーニングフレームワークを構築するための2つの手法を提案する。
論文参考訳（メタデータ） (2020-12-15T10:24:34Z)
Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
論文参考訳（メタデータ） (2020-07-13T20:05:19Z)

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。