論文の概要: Imputation Matters: A Deeper Look into an Overlooked Step in Longitudinal Health and Behavior Sensing Research

• arxiv url: http://arxiv.org/abs/2412.06018v1
• Date: Sun, 08 Dec 2024 18:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:56:29.018328
• Title: Imputation Matters: A Deeper Look into an Overlooked Step in Longitudinal Health and Behavior Sensing Research
• Title（参考訳）: インキュベーション問題:縦断的健康・行動センシング研究における見過ごされるステップ
• Authors: Akshat Choube, Rahul Majethia, Sohini Bhattacharya, Vedant Das Swain, Jiachen Li, Varun Mishra,
• Abstract要約: 健康と行動の結果に対する縦断的受動的センシング研究は、しばしば欠落や不完全なデータを持っている。 したがって、欠落したデータを効果的に処理することは、重要なデータ処理とモデリングのステップである。 計算結果の優先順位付けは研究結果に大きな影響を及ぼす可能性が示唆された。
• 参考スコア（独自算出の注目度）: 8.487069821498846
• License:
• Abstract: Longitudinal passive sensing studies for health and behavior outcomes often have missing and incomplete data. Handling missing data effectively is thus a critical data processing and modeling step. Our formative interviews with researchers working in longitudinal health and behavior passive sensing revealed a recurring theme: most researchers consider imputation a low-priority step in their analysis and inference pipeline, opting to use simple and off-the-shelf imputation strategies without comprehensively evaluating its impact on study outcomes. Through this paper, we call attention to the importance of imputation. Using publicly available passive sensing datasets for depression, we show that prioritizing imputation can significantly impact the study outcomes -- with our proposed imputation strategies resulting in up to 31% improvement in AUROC to predict depression over the original imputation strategy. We conclude by discussing the challenges and opportunities with effective imputation in longitudinal sensing studies.
• Abstract（参考訳）: 健康と行動の結果に対する縦断的受動的センシング研究は、しばしば欠落や不完全なデータを持っている。 したがって、欠落したデータを効果的に処理することは、重要なデータ処理とモデリングのステップである。 多くの研究者は、インキュベーションが分析と推論パイプラインにおける低優先度のステップであると考えており、研究結果に対する影響を包括的に評価することなく、単純で既成のインキュベーション戦略を使用することを選択しています。 本稿では,計算の重要性に注意を喚起する。 うつ病に対する公的に利用可能な受動的センシングデータセットを使用することで、インキュベーションの優先順位付けが研究結果に大きな影響を与えることが示され、提案されたインキュベーション戦略は、元のインキュベーション戦略よりもうつ病を予測するために、AUROCを最大31%改善する結果となった。 縦型センシング研究の課題と課題を論じて結論を下す。

関連論文リスト

• Integrating Wearable Sensor Data and Self-reported Diaries for Personalized Affect Forecasting [2.36325543943271]
  本研究では,影響状況予測のためのマルチモーダル深層学習モデルを提案する。 このモデルは、トランスフォーマーエンコーダと事前訓練された言語モデルを組み合わせることで、客観的なメトリクスと自己報告された日記の統合分析を容易にする。 その結果, 予測精度82.50%, 負の影響82.76%, 前週の予測精度82.76%が得られた。
  論文  参考訳（メタデータ） (2024-03-16T17:24:38Z)
• A Survey on Stability of Learning with Limited Labelled Data and its Sensitivity to the Effects of Randomness [5.009377915313077]
  本調査は,限定ラベル付きデータによる学習の安定性に対するランダム性の影響を論じる415の論文の概要を概説する。 我々は7つの課題を特定し議論し、さらなる研究を促進するための可能な方向性とともに課題を開放する。 この調査の最終的な目標は、この成長する研究領域の重要性を強調することである。
  論文  参考訳（メタデータ） (2023-12-02T09:20:10Z)
• A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
  自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。 本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T19:45:09Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• Estimating average causal effects from patient trajectories [18.87912848546951]
  医療実践においては、患者の結果に期待される因果効果に基づいて治療が選択される。 本稿では,時間とともに収集される観察データ(患者軌跡)から平均因果効果(ACE)を推定することを目的とする。
  論文  参考訳（メタデータ） (2022-03-02T16:45:19Z)
• Long-term Causal Inference Under Persistent Confounding via Data Combination [38.026740610259225]
  実験データと観測データの両方が利用可能である場合の長期治療効果の同定と推定について検討した。 長期の成果は長期間の遅延後にのみ観測されるため、実験データでは測定されず、観測データでのみ記録される。
  論文  参考訳（メタデータ） (2022-02-15T07:44:20Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• An introduction to causal reasoning in health analytics [2.199093822766999]
  従来の機械学習と統計的アプローチで発生する可能性のある欠点のいくつかを強調して、観測データを分析します。 一般的な機械学習問題に対処するための因果推論の応用を実演する。
  論文  参考訳（メタデータ） (2021-05-10T20:25:56Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Amnesic Probing: Behavioral Explanation with Amnesic Counterfactuals [53.484562601127195]
  調査結果から行動学的結論を推測できない点を指摘する。 我々は、どの情報がエンコードされているかではなく、その情報がどのように使われているかに焦点を当てた代替手段を提供する。
  論文  参考訳（メタデータ） (2020-06-01T15:00:11Z)

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。