Fugu-MT 論文翻訳(概要): ML-based Short Physical Performance Battery future score prediction based on questionnaire data

論文の概要: ML-based Short Physical Performance Battery future score prediction based on questionnaire data

arxiv url: http://arxiv.org/abs/2508.05222v1
Date: Thu, 07 Aug 2025 10:09:04 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-08 18:59:39.800617
Title: ML-based Short Physical Performance Battery future score prediction based on questionnaire data
Title（参考訳）: 質問紙データに基づくMLによるショートフィジカル・パフォーマンス・バッテリの将来スコア予測
Authors: Marcin Kolakowski, Seif Ben Bader,
Abstract要約: アンケートデータに基づいて,SPPB(Short Physical Performance Battery)スコアを4年間の地平線で予測する可能性を分析した。最良の結果はXGBoost(絶対誤差0.79点)で達成された。
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: Effective slowing down of older adults\' physical capacity deterioration requires intervention as soon as the first symptoms surface. In this paper, we analyze the possibility of predicting the Short Physical Performance Battery (SPPB) score at a four-year horizon based on questionnaire data. The ML algorithms tested included Random Forest, XGBoost, Linear Regression, dense and TabNet neural networks. The best results were achieved for the XGBoost (mean absolute error of 0.79 points). Based on the Shapley values analysis, we selected smaller subsets of features (from 10 to 20) and retrained the XGBoost regressor, achieving a mean absolute error of 0.82.
Abstract（参考訳）: 高齢者の身体能力低下を効果的に抑制するには、最初の症状が表面化した直後に介入する必要がある。本稿では,アンケートデータに基づいて,SPPB(Short Physical Performance Battery)スコアを4年間の地平線で予測する可能性を分析する。テストされたMLアルゴリズムには、ランダムフォレスト、XGBoost、線形回帰、高密度ニューラルネットワーク、TabNetが含まれる。最良の結果はXGBoost(絶対誤差0.79点)で達成された。シェープリー値解析に基づき,特徴量の小さいサブセット(10～20)を選択し,XGBoost回帰器を再訓練し,平均絶対誤差0。

関連論文リスト

Wine Quality Prediction with Ensemble Trees: A Unified, Leak-Free Comparative Study [0.0]
我々は,5つのアンサンブル学習者(ランドムフォレスト,グラディエントブースティング,XGBoost,LightGBM,CatBoost)を標準のVinho Verde赤と白のデータセットに統一した最初のベンチマークを提示する。グラディエントブースティングは最高精度(赤はF1 0.693 +/- 0.028、白は0.664 +/- 0.016)を達成し、続いてランダムフォレストとXGBoostの3ポイント以内である。我々は、最もコスト効率の良い生産モデルとしてRandom Forest、GPU効率の良い代替品としてXGBoostとLightGBM、オフラインベンチマークの精度天井としてGradient Boostingを推奨する。
論文参考訳（メタデータ） (2025-05-30T17:02:36Z)
RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings [39.58317527488534]
Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
論文参考訳（メタデータ） (2024-05-02T16:17:29Z)
Matbench Discovery -- A framework to evaluate machine learning crystal stability predictions [1.9402357545481315]
Matbench Discoveryは機械学習(ML)エネルギーモデルの評価フレームワークである。ランダムフォレスト、グラフニューラルネットワーク(GNN)、ワンショット予測器、反復ベイズ、普遍原子間ポテンシャル(UIP)など、さまざまなアプローチをベンチマークする。 UIPはトップパフォーマーとして登場し、最初の10k安定予測ではF1スコアが0.57-0.82、発見加速因子(DAF)が6倍に達する。
論文参考訳（メタデータ） (2023-08-28T22:29:57Z)
Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-06T14:49:59Z)
A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文参考訳（メタデータ） (2023-03-02T21:48:22Z)
On High dimensional Poisson models with measurement error: hypothesis testing for nonlinear nonconvex optimization [13.369004892264146]
我々は高次元の回帰モデルの推定と検証を行い、データ解析に広く応用する。ペナル化された一貫性を最小化することで回帰パラメータを推定する。提案手法はアルツハイマー病イニシアチブに適用される。
論文参考訳（メタデータ） (2022-12-31T06:58:42Z)
Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
論文参考訳（メタデータ） (2022-05-27T11:13:17Z)
Probabilistic fine-tuning of pruning masks and PAC-Bayes self-bounded learning [16.526326919313924]
本研究では, プルーニングマスクの損失を最適化することにより, プルーニングマスクの学習方法を検討する。線形回帰の設定における誘導適応予測器のトレーニングダイナミクスを解析する。 PAC-Bayes一般化誤差境界は, 先行データと後続データとの間の特徴アライメントの変化の大きさによって制御されることを示す。
論文参考訳（メタデータ） (2021-10-22T14:25:22Z)
Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
論文参考訳（メタデータ） (2020-06-11T16:19:16Z)
Feature-weighted elastic net: using "features of features" for better prediction [137.6408511310322]
予測精度を向上させるために追加情報を活用する新しい手法を提案する。特徴重み付き弾性ネット(fwelnet)と呼ばれるこの手法は、これらの「特徴の特徴」を用いて、弾性ネットペナルティの特徴係数に相対的なペナルティを適応させる。我々のシミュレーションでは、fwelnetは平均二乗誤差でラッソを上回り、通常、特徴選択に対して真の正の率または偽の正の率を改善する。
論文参考訳（メタデータ） (2020-06-02T05:18:15Z)
Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。