論文の概要: Learning to Route: Per-Sample Adaptive Routing for Multimodal Multitask Prediction

• arxiv url: http://arxiv.org/abs/2509.12227v1
• Date: Sat, 06 Sep 2025 16:49:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.811623
• Title: Learning to Route: Per-Sample Adaptive Routing for Multimodal Multitask Prediction
• Title（参考訳）: 経路学習:マルチモーダルマルチタスク予測のためのサンプル単位適応ルーティング
• Authors: Marzieh Ajirak, Oded Bein, Ellen Rose Bowen, Dora Kanellopoulos, Avital Falk, Faith M. Gunning, Nili Solomonov, Logan Grosenick,
• Abstract要約: 本稿では,モジュールごとのモダリティ処理経路とタスク共有戦略を動的に選択するルーティングベースのアーキテクチャを提案する。 本モデルは,テキストの生および融合表現や数値的特徴を含む複数のモーダルパスを定義する。 本研究は, うつ病および不安症状を予測し, 合成データと実世界心理療法の双方でモデルを評価する。
• 参考スコア（独自算出の注目度）: 4.171905792428217
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a unified framework for adaptive routing in multitask, multimodal prediction settings where data heterogeneity and task interactions vary across samples. Motivated by applications in psychotherapy where structured assessments and unstructured clinician notes coexist with partially missing data and correlated outcomes, we introduce a routing-based architecture that dynamically selects modality processing pathways and task-sharing strategies on a per-sample basis. Our model defines multiple modality paths, including raw and fused representations of text and numeric features and learns to route each input through the most informative expert combination. Task-specific predictions are produced by shared or independent heads depending on the routing decision, and the entire system is trained end-to-end. We evaluate the model on both synthetic data and real-world psychotherapy notes predicting depression and anxiety outcomes. Our experiments show that our method consistently outperforms fixed multitask or single-task baselines, and that the learned routing policy provides interpretable insights into modality relevance and task structure. This addresses critical challenges in personalized healthcare by enabling per-subject adaptive information processing that accounts for data heterogeneity and task correlations. Applied to psychotherapy, this framework could improve mental health outcomes, enhance treatment assignment precision, and increase clinical cost-effectiveness through personalized intervention strategies.
• Abstract（参考訳）: 本稿では,データの不均一性やタスクの相互作用がサンプルによって異なるマルチタスク,マルチモーダル予測設定における適応的ルーティングのための統一的なフレームワークを提案する。 構造化アセスメントと非構造化クリニックノートが部分的に欠落したデータと相関する結果と共存する心理療法の応用により、我々は、モジュール単位のモダリティ処理経路とタスク共有戦略を動的に選択するルーティングベースのアーキテクチャを導入する。 本モデルでは,テキストと数値の特徴の生と融合表現を含む複数のモーダルパスを定義し,各入力を最も情報に富んだ組み合わせによってルーティングする方法を学習する。 タスク固有の予測は、ルーティング決定に応じて共有または独立のヘッダによって生成され、システム全体がエンドツーエンドにトレーニングされる。 本研究は, うつ病および不安症状を予測し, 合成データと実世界心理療法の双方でモデルを評価する。 実験の結果,提案手法は固定マルチタスクや単一タスクのベースラインよりも一貫して優れており,学習されたルーティングポリシは,モダリティの関連性やタスク構造に対する解釈可能な洞察を提供することがわかった。 これは、データ不均一性とタスク相関を考慮に入れたオブジェクトごとの適応情報処理を可能にすることで、パーソナライズされたヘルスケアにおける重要な課題に対処する。 心理療法に適用すると、この枠組みはメンタルヘルスの成果を改善し、治療の割り当て精度を高め、パーソナライズされた介入戦略を通じて臨床費用効果を高めることができる。

関連論文リスト

• Federated Learning for Estimating Heterogeneous Treatment Effects [7.967701699385625]
  ヘテロジニアス処理効果(HTE)を推定するための現在の機械学習アプローチでは、処理毎にかなりの量のデータにアクセスする必要がある。 フェデレートラーニング(Federated Learning)を通じて,組織間におけるHTE推定者の協調学習のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-02-27T17:33:23Z)
• Multi-Task Learning with Summary Statistics [4.871473117968554]
  様々な情報源からの要約統計を利用した柔軟なマルチタスク学習フレームワークを提案する。 また,Lepskiの手法の変種に基づく適応パラメータ選択手法を提案する。 この研究は、さまざまな領域にわたる関連するモデルをトレーニングするための、より柔軟なツールを提供する。
  論文  参考訳（メタデータ） (2023-07-05T15:55:23Z)
• Straggler-Resilient Personalized Federated Learning [55.54344312542944]
  フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。 これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。 提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
  論文  参考訳（メタデータ） (2022-06-05T01:14:46Z)
• Selective Inference for Sparse Multitask Regression with Applications in Neuroimaging [2.611153304251067]
  本稿では、ニューロイメージングにおける一般的なマルチタスク問題に対処するための選択推論フレームワークを提案する。 我々のフレームワークは、選択イベントの洗練に基づいて、新しい推論条件を提供する。 我々は,選択推論を用いたマルチタスク学習により,単一タスク法よりも真の信号をより正確に復元できることをシミュレーションにより示す。
  論文  参考訳（メタデータ） (2022-05-27T20:21:20Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• Robust Learning Through Cross-Task Consistency [92.42534246652062]
  クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
  論文  参考訳（メタデータ） (2020-06-07T09:24:33Z)
• Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
  本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。 具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。 実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
  論文  参考訳（メタデータ） (2020-04-29T02:32:04Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。