Fugu-MT 論文翻訳(概要): Comparative study of clustering models for multivariate time series from connected medical devices

論文の概要: Comparative study of clustering models for multivariate time series from connected medical devices

arxiv url: http://arxiv.org/abs/2312.17286v2
Date: Wed, 10 Jan 2024 09:50:23 GMT
ステータス: 処理完了
システム内更新日: 2024-01-11 16:30:35.899496
Title: Comparative study of clustering models for multivariate time series from connected medical devices
Title（参考訳）: 接続医療機器からの多変量時系列クラスタリングモデルの比較研究
Authors: Violaine Courrier (MODAL), Christophe Biernacki (MODAL), Cristian Preda (MODAL), Benjamin Vittrant
Abstract要約: 予測モデルを用いて、潜在クラスタ空間を形成しながら、将来の値を予測できることが示される。 Withingのデータセット上で、時系列全体をクラスタリングするMAGMAC LUSTと、個人のグループアフィリエイトが時間とともに変化するDGM$2$の2つのモデルを比較する。
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: In healthcare, patient data is often collected as multivariate time series, providing a comprehensive view of a patient's health status over time. While this data can be sparse, connected devices may enhance its frequency. The goal is to create patient profiles from these time series. In the absence of labels, a predictive model can be used to predict future values while forming a latent cluster space, evaluated based on predictive performance. We compare two models on Withing's datasets, M AGMAC LUST which clusters entire time series and DGM${}^2$ which allows the group affiliation of an individual to change over time (dynamic clustering).
Abstract（参考訳）: 医療分野では、患者データは多変量時系列として収集され、患者の健康状態の全体像を提供する。このデータはばらばらだが、コネクテッドデバイスはその頻度を高める可能性がある。目標は、これらの時系列から患者プロファイルを作成することです。ラベルがない場合、予測モデルを使用して、予測性能に基づいて評価された潜在クラスタ空間を形成しながら将来の値を予測することができる。我々は、Withingのデータセット上の2つのモデル、全時系列をクラスタリングするMAGMAC LUSTと、個人のグループアフィリエイトが時間とともに変化する(動的クラスタリング)DGM${}^2$を比較した。

関連論文リスト

Generalized Prompt Tuning: Adapting Frozen Univariate Time Series Foundation Models for Multivariate Healthcare Time Series [3.9599054392856483]
時系列基礎モデルは、大規模なデータセットで事前訓練され、様々なタスクで最先端のパフォーマンスを達成することができる。我々は、既存の単変量時系列基礎モデルに適応できる、素早いチューニングインスパイアされた微調整技術Gen-P-Tuningを提案する。 2つのMIMIC分類課題とインフルエンザ様疾患予測における各種ベースラインに対する微調整アプローチの有効性を実証した。
論文参考訳（メタデータ） (2024-11-19T19:20:58Z)
Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
論文参考訳（メタデータ） (2024-10-14T13:01:11Z)
Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-02-04T20:00:45Z)
Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文参考訳（メタデータ） (2023-05-11T10:30:35Z)
T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文参考訳（メタデータ） (2023-02-24T13:30:35Z)
Multi-task longitudinal forecasting with missing values on Alzheimer's Disease [4.5855304767722185]
本稿では、最近発表されたSSHIBAモデルを用いて、長手データ上で異なるタスクを欠落した値で共同学習するフレームワークを提案する。この方法はベイズ変分推論を用いて、欠落した値をインプットし、複数のビューの情報を組み合わせる。認知症における診断, 心室容積, 臨床スコアの同時予測に本モデルを適用した。
論文参考訳（メタデータ） (2022-01-13T16:02:35Z)
Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文参考訳（メタデータ） (2021-10-26T20:41:19Z)
Routine Clustering of Mobile Sensor Data Facilitates Psychotic Relapse Prediction in Schizophrenia Patients [2.7423978784152743]
本研究では,連続的マルチモーダル移動センシングデータからリラプス予測タスクへの行動表現を得るために,クラスタリングモデルを開発することを目的とする。特定されたクラスターは、患者の日常生活に関連する行動傾向と、差し迫った再発に関連する非定型的行動傾向を表わすことができる。
論文参考訳（メタデータ） (2021-06-22T02:27:45Z)
Phenotyping Clusters of Patient Trajectories suffering from Chronic Complex Disease [3.1564542805009332]
当院において, COPD 患者における3つの異なるクラスタリングモデルについて検討した。本研究では,不均一な時系列データと不均衡なクラス分布に対処し,表現型分離を改善するための新しい修正法を提案する。
論文参考訳（メタデータ） (2020-11-17T01:18:33Z)
Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文参考訳（メタデータ） (2020-06-15T20:48:43Z)

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。