論文の概要: Quantum-Inspired Stacked Integrated Concept Graph Model (QISICGM) for Diabetes Risk Prediction

• arxiv url: http://arxiv.org/abs/2509.12259v1
• Date: Fri, 12 Sep 2025 18:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.6579
• Title: Quantum-Inspired Stacked Integrated Concept Graph Model (QISICGM) for Diabetes Risk Prediction
• Title（参考訳）: 糖尿病リスク予測のためのQISICGM(Quantum-Inspireed Stacked Concept Graph Model)
• Authors: Kenneth G. Young II,
• Abstract要約: 量子インスパイアされた統合概念グラフモデル(QISICGM)は、量子インスパイアされた技術を利用して糖尿病リスクを異常な精度と効率で予測する革新的な機械学習フレームワークである。 QISICGMは自己改善の概念グラフと、ランダムフォレスト(RF)、エクストラツリー(ET)、トランスフォーマー、畳み込みニューラルネットワーク(CNN)、フィードフォワードニューラルネットワーク(FFNN)で構成される積み重ねアンサンブルを統合する。 本稿では,アーキテクチャ,理論的基礎,コードインサイト,性能評価について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Quantum-Inspired Stacked Integrated Concept Graph Model (QISICGM) is an innovative machine learning framework that harnesses quantum-inspired techniques to predict diabetes risk with exceptional accuracy and efficiency. Utilizing the PIMA Indians Diabetes dataset augmented with 2,000 synthetic samples to mitigate class imbalance (total: 2,768 samples, 1,949 positives), QISICGM integrates a self-improving concept graph with a stacked ensemble comprising Random Forests (RF), Extra Trees (ET), transformers, convolutional neural networks (CNNs), and feed-forward neural networks (FFNNs). This approach achieves an out-of-fold (OOF) F1 score of 0.8933 and an AUC of 0.8699, outperforming traditional methods. Quantum inspired elements, such as phase feature mapping and neighborhood sequence modeling, enrich feature representations, enabling CPU-efficient inference at 8.5 rows per second. This paper presents a detailed architecture, theoretical foundations, code insights, and performance evaluations, including visualizations from the outputs subfolder. The open-source implementation (v1.0.0) is available at https://github.com/keninayoung/QISICGM, positioning QISICGM as a potential benchmark for AI-assisted clinical triage in diabetes and beyond. Ultimately, this work emphasizes trustworthy AI through calibration, interpretability, and open-source reproducibility.
• Abstract（参考訳）: 量子インスパイアされた統合概念グラフモデル(QISICGM)は、量子インスパイアされた技術を利用して糖尿病リスクを異常な精度と効率で予測する革新的な機械学習フレームワークである。 PIMA Indians Diabetesデータセットを2,000の合成サンプルで強化してクラス不均衡を緩和し(トータル: 2,768のサンプル、1,949の陽性)、QISICGMは、ランダムフォレスト(RF)、エクストラツリー(ET)、トランスフォーマー、畳み込みニューラルネットワーク(CNN)、フィードフォワードニューラルネットワーク(FFNN)で構成される、自己改善の概念グラフを統合する。 このアプローチは、アウト・オブ・フォールド(OOF)F1スコアが0.8933、AUCが0.8699であり、従来の手法よりも優れている。 位相特徴写像や近傍配列モデリングのような量子にインスパイアされた要素は、特徴表現を豊かにし、毎秒8.5行のCPU効率の推論を可能にする。 本稿では,出力サブフォルダの可視化を含む,詳細なアーキテクチャ,理論的基礎,コードインサイト,性能評価について述べる。 オープンソース実装(v1.0.0)はhttps://github.com/keninayoung/QISICGMで利用可能であり、QISICGMを糖尿病などにおけるAI支援臨床トリアージの潜在的なベンチマークとして位置付けている。 最終的には、キャリブレーション、解釈可能性、オープンソースの再現性を通じて、信頼できるAIを強調します。

関連論文リスト

• Collaborative Filtering using Variational Quantum Hopfield Associative Memory [0.0]
  本稿では,Quantum Hopfield Associative Memory(QHAM)とディープニューラルネットワークを組み合わせてMovieLens 1Mデータセットの抽出と分類を改善するハイブリッドレコメンデーションシステムを提案する。 このシステムは理想的な環境下で35エポック以上のMSE損失を用いて訓練され、LOCは0.9795、精度は0.8841、F-1スコアは0.8786に達した。
  論文  参考訳（メタデータ） (2025-08-12T07:33:11Z)
• Hybrid Quantum Neural Networks with Amplitude Encoding: Advancing Recovery Rate Predictions [6.699192644249841]
  回収率予測は、リスク評価の強化、ポートフォリオ割り当ての最適化、価格精度の向上など、債券投資戦略において重要な役割を担っている。 本稿では,Amplitudeを用いたハイブリッド量子機械学習(QML)モデルを提案する。 我々は1996年から2023年までの1,725の観測結果からなる地球規模の回復率データセット上でモデルを評価した。
  論文  参考訳（メタデータ） (2025-01-27T07:27:23Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images [79.07468367923619]
  畳み込み型神経生成符号化(Conv-NGC)を開発した。 我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。 本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
  論文  参考訳（メタデータ） (2022-11-22T06:42:41Z)
• Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
  本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。 組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
  論文  参考訳（メタデータ） (2022-08-08T03:13:24Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)

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。