論文の概要: AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data

• arxiv url: http://arxiv.org/abs/2510.02558v1
• Date: Thu, 02 Oct 2025 20:52:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.171772
• Title: AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data
• Title（参考訳）: AttentiveGRUAE: 時間的クラスタリングのためのアテンションベースGRUオートエンコーダとウェアラブルデータからの抑うつの挙動評価
• Authors: Nidhi Soley, Vishal M Patel, Casey O Taylor,
• Abstract要約: 本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 46.262619407930266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we present AttentiveGRUAE, a novel attention-based gated recurrent unit (GRU) autoencoder designed for temporal clustering and prediction of outcome from longitudinal wearable data. Our model jointly optimizes three objectives: (1) learning a compact latent representation of daily behavioral features via sequence reconstruction, (2) predicting end-of-period depression rate through a binary classification head, and (3) identifying behavioral subtypes through Gaussian Mixture Model (GMM) based soft clustering of learned embeddings. We evaluate AttentiveGRUAE on longitudinal sleep data from 372 participants (GLOBEM 2018-2019), and it demonstrates superior performance over baseline clustering, domain-aligned self-supervised, and ablated models in both clustering quality (silhouette score = 0.70 vs 0.32-0.70) and depression classification (AUC = 0.74 vs 0.50-0.67). Additionally, external validation on cross-year cohorts from 332 participants (GLOBEM 2020-2021) confirms cluster reproducibility (silhouette score = 0.63, AUC = 0.61) and stability. We further perform subtype analysis and visualize temporal attention, which highlights sleep-related differences between clusters and identifies salient time windows that align with changes in sleep regularity, yielding clinically interpretable explanations of risk.
• Abstract（参考訳）: 本研究では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 本モデルでは,(1)シーケンス再構成による行動特徴のコンパクトな潜在的表現の学習,(2)二項分類ヘッドによる抑うつ率の予測,(3)ガウス混合モデル(GMM)を用いたソフトクラスタリングによる行動サブタイプ同定の3つの目的を共同で最適化する。 372名(GLOBEM 2018-2019)の長手睡眠データからAttentiveGRUAEの評価を行い、クラスタリング品質(シルエットスコア=0.70対0.32-0.70)と抑うつ分類(AUC=0.74対0.50-0.67)の両方において、ベースラインクラスタリング、ドメイン整列型自己監督モデル、アブレーションモデルよりも優れた性能を示した。 さらに、332人の参加者(GLOBEM 2020-2021)の年次コホートに対する外的検証では、クラスター再現性(シルエットスコア=0.63、AUC=0.61)と安定性が確認されている。 さらに、サブタイプ分析と時間的注意を可視化し、クラスター間の睡眠関連の違いを強調し、睡眠の規則性の変化と一致した健康な時間窓を特定し、臨床的に解釈可能なリスクの説明をもたらす。

関連論文リスト

• HypoGeneAgent: A Hypothesis Language Agent for Gene-Set Cluster Resolution Selection Using Perturb-seq Datasets [9.465853880657487]
  大規模な単一細胞とPerturb-seqの研究は、通常、クラスタリング細胞に関係している。 本稿では,大規模言語モデル(LLM)駆動のフレームワークであるHYPOGENEAGENTを,クラスタアノテーションを定量的に最適化可能なタスクに変換する。
  論文  参考訳（メタデータ） (2025-09-10T22:25:33Z)
• Enhancing ALS Progression Tracking with Semi-Supervised ALSFRS-R Scores Estimated from Ambient Home Health Monitoring [3.210027230758067]
  自己注意は、サブスケールレベルのモデルで最小の予測誤差を達成した。 機能領域にまたがる特異な均一性-均一性プロファイルを同定した。
  論文  参考訳（メタデータ） (2025-07-13T02:56:40Z)
• DECRL: A Deep Evolutionary Clustering Jointed Temporal Knowledge Graph Representation Learning Approach [9.158462794964835]
  時間的知識グラフ(TKG)表現学習は、連続的な低次元ベクトル空間における時間的進化的実体と埋め込み表現との関係をマッピングすることを目的としている。 本稿では,Deep Evolutionary Clustering Jointed temporal knowledge graph Representation Learning approach (DECRL)を提案する。 DECRLは最先端のパフォーマンスを達成し、平均9.53%、12.98%、10.42%、14.68%のMRR、Hits@1、Hits@3、Hits@10をそれぞれ上回っている。
  論文  参考訳（メタデータ） (2024-10-30T01:36:06Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
  相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。 本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
  論文  参考訳（メタデータ） (2021-08-10T14:46:17Z)
• Routine Clustering of Mobile Sensor Data Facilitates Psychotic Relapse Prediction in Schizophrenia Patients [2.7423978784152743]
  本研究では,連続的マルチモーダル移動センシングデータからリラプス予測タスクへの行動表現を得るために,クラスタリングモデルを開発することを目的とする。 特定されたクラスターは、患者の日常生活に関連する行動傾向と、差し迫った再発に関連する非定型的行動傾向を表わすことができる。
  論文  参考訳（メタデータ） (2021-06-22T02:27:45Z)
• HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units [81.53783563025084]
  本稿では、BERTのような予測損失に対して、アライメントされたターゲットラベルを提供するオフラインクラスタリングステップを提案する。 提案手法の重要な要素は,マスク領域にのみ予測損失を適用することである。 HuBERTは、より困難なdev-otherおよびtest-other評価サブセットに対して、最大19%と13%の相対的なWER削減を示す。
  論文  参考訳（メタデータ） (2021-06-14T14:14:28Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)

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。