論文の概要: Reproducible workflow for online AI in digital health
- arxiv url: http://arxiv.org/abs/2509.13499v2
- Date: Thu, 09 Oct 2025 14:59:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-10 17:54:14.59722
- Title: Reproducible workflow for online AI in digital health
- Title（参考訳）: デジタルヘルスにおけるオンラインAIのための再現可能なワークフロー
- Authors: Susobhan Ghosh, Bhanu T. Gullapalli, Daiqi Gao, Asim Gazi, Anna Trella, Ziping Xu, Kelly Zhang, Susan A. Murphy,
- Abstract要約: オンライン人工知能(AI)アルゴリズムは、デジタルヘルス介入の重要な構成要素である。
オンラインAIのデプロイは重要な課題である。
本稿では、デジタルヘルス介入におけるオンラインAI意思決定アルゴリズムの開発、デプロイ、分析のための再現可能な科学的ワークフローを提案する。
- 参考スコア（独自算出の注目度）: 8.004595799963127
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online artificial intelligence (AI) algorithms are an important component of digital health interventions. These online algorithms are designed to continually learn and improve their performance as streaming data is collected on individuals. Deploying online AI presents a key challenge: balancing adaptability of online AI with reproducibility. Online AI in digital interventions is a rapidly evolving area, driven by advances in algorithms, sensors, software, and devices. Digital health intervention development and deployment is a continuous process, where implementation - including the AI decision-making algorithm - is interspersed with cycles of re-development and optimization. Each deployment informs the next, making iterative deployment a defining characteristic of this field. This iterative nature underscores the importance of reproducibility: data collected across deployments must be accurately stored to have scientific utility, algorithm behavior must be auditable, and results must be comparable over time to facilitate scientific discovery and trustworthy refinement. This paper proposes a reproducible scientific workflow for developing, deploying, and analyzing online AI decision-making algorithms in digital health interventions. Grounded in practical experience from multiple real-world deployments, this workflow addresses key challenges to reproducibility across all phases of the online AI algorithm development life-cycle.
- Abstract（参考訳）: オンライン人工知能(AI)アルゴリズムは、デジタルヘルス介入の重要な構成要素である。
これらのオンラインアルゴリズムは、個人でストリーミングデータが収集されるにつれて、継続的に学習し、パフォーマンスを改善するように設計されている。
オンラインAIのデプロイは重要な課題である。
デジタル介入におけるオンラインAIは、アルゴリズム、センサー、ソフトウェア、デバイスの進歩によって推進される、急速に進化する領域である。
デジタルヘルス介入の開発とデプロイメントは継続的プロセスであり、AI意思決定アルゴリズムを含む実装は、再開発と最適化のサイクルに分散している。
それぞれのデプロイメントが次に通知するので、反復的なデプロイメントがこの分野の明確な特性になります。
この反復的な性質は再現性の重要性を浮き彫りにする: 配置全体で収集されたデータは科学的有用性を得るために正確に保存され、アルゴリズムの振る舞いは監査可能でなければならない。
本稿では、デジタルヘルス介入におけるオンラインAI意思決定アルゴリズムの開発、デプロイ、分析のための再現可能な科学的ワークフローを提案する。
このワークフローは、複数の実世界のデプロイから実践的な経験に基づいており、オンラインAIアルゴリズム開発ライフサイクルのすべてのフェーズにおける再現性に関する重要な課題に対処している。
関連論文リスト
- Multi-agent Embodied AI: Advances and Future Directions [46.23631919950584]
エンボディード人工知能(Embodied AI)は、インテリジェントな時代における先進技術の適用において重要な役割を担っている。
本稿では,研究の現状を概観し,重要な貢献を分析し,課題と今後の方向性を明らかにする。
論文 参考訳（メタデータ） (2025-05-08T10:13:53Z) - Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。
AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。
この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
論文 参考訳（メタデータ） (2025-05-03T13:55:38Z) - Body Discovery of Embodied AI [14.90599757805173]
ボディディスカバリー・オブ・エボダイドAI(Body Discovery of Embodied AI)は、エンボディメントを認識し、神経信号機能を要約するタスクに焦点を当てている。
この課題は、AIボディの正確な定義と、動的環境における実施を識別する複雑なタスクを含んでいる。
仮想環境を用いたアルゴリズムのテストに適したシミュレータを開発した。
論文 参考訳（メタデータ） (2025-03-25T09:21:10Z) - Online hand gesture recognition using Continual Graph Transformers [1.3927943269211591]
リアルタイムスケルトンシーケンスストリーミングのための新しいオンライン認識システムを提案する。
提案手法は最先端の精度を実現し, 偽陽性率を大幅に低減し, リアルタイムアプリケーションにとって魅力的なソリューションとなる。
提案システムは,人間とロボットのコラボレーションや補助技術など,さまざまな領域にシームレスに統合することができる。
論文 参考訳（メタデータ） (2025-02-20T17:27:55Z) - Revolutionizing System Reliability: The Role of AI in Predictive Maintenance Strategies [0.0]
この研究は、AI、特に機械学習とニューラルネットワークが、予測メンテナンス戦略を強化するためにどのように利用されているかを探求している。
この記事では、AIによる予測メンテナンスの実装の有効性と課題について、洞察を提供する。
論文 参考訳（メタデータ） (2024-04-20T19:31:05Z) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳（メタデータ） (2023-08-10T13:19:10Z) - Smoothed Online Learning for Prediction in Piecewise Affine Systems [43.64498536409903]
本稿では,最近開発されたスムーズなオンライン学習フレームワークに基づく。
これは、断片的なアフィン系における予測とシミュレーションのための最初のアルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-01-26T15:54:14Z) - Designing Reinforcement Learning Algorithms for Digital Interventions:
Pre-implementation Guidelines [24.283342018185028]
オンライン強化学習アルゴリズムは、モバイル健康とオンライン教育の分野におけるデジタル介入のパーソナライズにますます利用されている。
これらの設定でRLアルゴリズムを設計およびテストする際の一般的な課題は、RLアルゴリズムがリアルタイム制約下で安定して学習および実行できることである。
私たちは、機械学習のベストプラクティスと教師あり学習の統計を取り入れたデータサイエンスフレームワークであるPCS(Predictability, Computability, Stability)フレームワークを拡張します。
論文 参考訳（メタデータ） (2022-06-08T15:05:28Z) - AI-based Modeling and Data-driven Evaluation for Smart Manufacturing
Processes [56.65379135797867]
本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。
本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-29T14:57:53Z) - Uncertainty-based Modulation for Lifelong Learning [1.3334365645271111]
本稿では、Stephen Grossberg氏のAdaptive Resonance Theory(Adaptive Resonance Theory)提案に基づき、ヒト脳の神経調節機構にインスパイアされたアルゴリズムを提案する。
具体的には、不確実性の概念に基づいて構築され、継続的な学習を可能にするために一連の神経調節機構を使用している。
我々は,環境やエージェントの行動が学習過程を制約し,指導する閉ループ方式でこれらのシステムを開発する上で重要な役割を実証する。
論文 参考訳（メタデータ） (2020-01-27T14:34:37Z)
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。