論文の概要: Learning Longitudinal Stress Dynamics from Irregular Self-Reports via Time Embeddings

• arxiv url: http://arxiv.org/abs/2509.01569v1
• Date: Mon, 01 Sep 2025 15:54:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.760864
• Title: Learning Longitudinal Stress Dynamics from Irregular Self-Reports via Time Embeddings
• Title（参考訳）: 時間埋め込みによる不規則自己報告からの縦応力ダイナミクスの学習
• Authors: Louis Simon, Mohamed Chetouani,
• Abstract要約: 本研究では,不規則に空間化された自己レポートを扱うために,新しい時間埋め込み手法 Ema2Vec を提案する。 本手法は,固定サイズの日常窓に依存する標準応力予測基準よりも優れる。 これらの知見は、不規則サンプル長手データのモデリングにおいて、時間埋め込みを組み込むことの重要性を強調した。
• 参考スコア（独自算出の注目度）: 1.2031796234206136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread adoption of mobile and wearable sensing technologies has enabled continuous and personalized monitoring of affect, mood disorders, and stress. When combined with ecological self-report questionnaires, these systems offer a powerful opportunity to explore longitudinal modeling of human behaviors. However, challenges arise from missing data and the irregular timing of self-reports, which make challenging the prediction of human states and behaviors. In this study, we investigate the use of time embeddings to capture time dependencies within sequences of Ecological Momentary Assessments (EMA). We introduce a novel time embedding method, Ema2Vec, designed to effectively handle irregularly spaced self-reports, and evaluate it on a new task of longitudinal stress prediction. Our method outperforms standard stress prediction baselines that rely on fixed-size daily windows, as well as models trained directly on longitudinal sequences without time-aware representations. These findings emphasize the importance of incorporating time embeddings when modeling irregularly sampled longitudinal data.
• Abstract（参考訳）: モバイルおよびウェアラブルセンシング技術の普及により、感情、気分障害、ストレスの継続的かつパーソナライズされたモニタリングが可能になった。 生態学的自己報告のアンケートと組み合わせることで、これらのシステムは人間の行動の縦断的モデリングを探求する強力な機会を提供する。 しかし、データ不足と不規則な自己報告のタイミングによって、人間の状態や行動の予測に挑戦する問題が発生する。 本研究では,エコロジー・モメンタリー・アセスメント (EMA) のシーケンスにおける時間依存性の把握に時間埋め込みを用いることを検討した。 本研究では,不規則な空間を持つ自己レポートを効果的に処理する新しい時間埋め込み手法であるEma2Vecを導入し,時間的ストレス予測の新しいタスクで評価する。 提案手法は,固定サイズの日常ウィンドウに依存する標準ストレス予測ベースラインと,時間認識の表現を伴わない縦列を直接学習したモデルより優れる。 これらの知見は、不規則サンプル長手データのモデリングにおいて、時間埋め込みを組み込むことの重要性を強調した。

関連論文リスト

• Neural Persistence Dynamics [8.197801260302642]
  時間発展する点雲のトポロジにおける力学を学習する問題を考察する。 提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
  論文  参考訳（メタデータ） (2024-05-24T17:20:18Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
  本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。 本手法はシリーズの進化力学の連続時間依存モデルに依存する。 メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
  論文  参考訳（メタデータ） (2023-06-09T13:20:04Z)
• Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
  オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。 我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。 いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2022-10-27T19:45:12Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Decoupling Long- and Short-Term Patterns in Spatiotemporal Inference [31.245426664456257]
  高価なため、大量のセンサーを配備するのは現実的ではない。 きめ細かいデータ測定の仕方は、長い間、迫りくる問題だった。 本稿では,短期パターンの空間的および時間的関係を学習するためのグラフ時間的注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-09-16T03:06:31Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。