論文の概要: Borrowing From the Future: Enhancing Early Risk Assessment through Contrastive Learning

• arxiv url: http://arxiv.org/abs/2508.11210v1
• Date: Fri, 15 Aug 2025 04:40:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.744769
• Title: Borrowing From the Future: Enhancing Early Risk Assessment through Contrastive Learning
• Title（参考訳）: 未来からの借用語:コントラスト学習による早期リスクアセスメントの強化
• Authors: Minghui Sun, Matthew M. Engelhard, Benjamin A. Goldstein,
• Abstract要約: 本研究は,早期リスク評価における予測性能の向上に焦点を当てた。 我々のソリューションである textbfBorrowing From the Future (BFF) は、各時間ウィンドウを異なるモダリティとして扱う、対照的なマルチモーダルフレームワークである。 我々は,BFFを2つの現実世界の小児結果予測タスクで検証し,早期リスク評価における一貫した改善を実証した。
• 参考スコア（独自算出の注目度）: 4.171555557592296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Risk assessments for a pediatric population are often conducted across multiple stages. For example, clinicians may evaluate risks prenatally, at birth, and during Well-Child visits. Although predictions made at later stages typically achieve higher precision, it is clinically desirable to make reliable risk assessments as early as possible. Therefore, this study focuses on improving prediction performance in early-stage risk assessments. Our solution, \textbf{Borrowing From the Future (BFF)}, is a contrastive multi-modal framework that treats each time window as a distinct modality. In BFF, a model is trained on all available data throughout the time while performing a risk assessment using up-to-date information. This contrastive framework allows the model to ``borrow'' informative signals from later stages (e.g., Well-Child visits) to implicitly supervise the learning at earlier stages (e.g., prenatal/birth stages). We validate BFF on two real-world pediatric outcome prediction tasks, demonstrating consistent improvements in early risk assessments. The code is available at https://github.com/scotsun/bff.
• Abstract（参考訳）: 小児のリスクアセスメントは、複数の段階にまたがって行われることが多い。 例えば、臨床医は出生前、出生時、ウェルチルド訪問中にリスクを評価することができる。 後段の予測は一般的に高い精度を達成するが、できるだけ早期に信頼性の高いリスクアセスメントを行うことが臨床上望ましい。 そこで本研究では,早期リスク評価における予測性能の向上に焦点を当てた。 我々のソリューションである \textbf{Borrowing From the Future (BFF)} は、各タイムウインドウを異なるモダリティとして扱う、対照的なマルチモーダルフレームワークである。 BFFでは、モデルは最新の情報を用いてリスクアセスメントを行いながら、常に利用可能なすべてのデータに基づいて訓練される。 この対照的な枠組みは、モデルが後期段階(例えば、ウェルチルド訪問)からの「ボロー」の情報信号で、初期の段階(例えば、出生前/出生前)で学習を暗黙的に監督することを可能にする。 我々は,BFFを2つの現実世界の小児結果予測タスクで検証し,早期リスク評価における一貫した改善を実証した。 コードはhttps://github.com/scotsun/bff.comで公開されている。

関連論文リスト

• Deep Learning on Hester Davis Scores for Inpatient Fall Prediction [7.454195840842691]
  そこで我々は,秋予測の強化のための2つの機械学習手法を提案する。 転倒予測と逐次転倒予測 転倒リスク予測の精度を評価するために,これらの手法を比較した。
  論文  参考訳（メタデータ） (2025-01-11T04:20:13Z)
• Ordinal Learning: Longitudinal Attention Alignment Model for Predicting Time to Future Breast Cancer Events from Mammograms [16.06975226476176]
  OA-BreaCR は,BC のリスクおよび時間・将来の予測タスクにおいて,既存の手法よりも優れる。 以上の結果から,BC検診・予防活動の強化に向けた解釈的かつ正確なリスク評価の重要性が示唆された。
  論文  参考訳（メタデータ） (2024-09-10T22:03:26Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• SurvRNC: Learning Ordered Representations for Survival Prediction using Rank-N-Contrast [4.5445892770974154]
  Survival Rank-N Contrast (SurvRNC) は、生存時間に基づいて順序付けられた表現を得るための正規化器としての損失関数である。 訓練にSurvRNC法を用いることで,異なる深層生存モデルにおいて高い性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-03-15T18:00:11Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• Predicting Early Dropout: Calibration and Algorithmic Fairness Considerations [2.7048165023994057]
  本研究では,大学中退のリスクを予測できる機械学習手法を開発した。 予測精度(AUC)および誤差率(一般化偽陽性率、GFPR、一般化偽陰性率、GFNR)の観点から、この方法が一部の敏感群の識別結果につながるかどうかを分析します。
  論文  参考訳（メタデータ） (2021-03-16T13:42:16Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)
• Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
  マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。 既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。 特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-23T06:01:36Z)
• A Neural Approach to Ordinal Regression for the Preventive Assessment of Developmental Dyslexia [0.0]
  発達性Dyslexia(DD)は、人口の約5%に影響を与える読解能力の獲得に関連する学習障害である。 そこで,本研究では,学生が読み取る前にDDのリスクを評価する手法を提案する。
  論文  参考訳（メタデータ） (2020-02-06T10:08:41Z)

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。