論文の概要: Subject-Adaptive Sparse Linear Models for Interpretable Personalized Health Prediction from Multimodal Lifelog Data

• arxiv url: http://arxiv.org/abs/2510.02835v1
• Date: Fri, 03 Oct 2025 09:17:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.332891
• Title: Subject-Adaptive Sparse Linear Models for Interpretable Personalized Health Prediction from Multimodal Lifelog Data
• Title（参考訳）: マルチモーダルライフログデータを用いたパーソナライズドヘルス予測のための主観適応スパース線形モデル
• Authors: Dohyun Bu, Jisoo Han, Soohwa Kwon, Yulim So, Jong-Seok Lee,
• Abstract要約: SASLは、パーソナライズされた健康予測のために明示的に設計された解釈可能なモデリングアプローチである。 本研究では, 平均F1スコアを最大化するために, 平均F1スコアを最大化するためにレグレッション-then-thresholdingアプローチを開発する。 本質的に困難な予測のために、SASLは信頼性ベースのゲーティングを通じて、コンパクトなLightGBMモデルの出力を選択的に組み込む。
• 参考スコア（独自算出の注目度）: 18.017666750186336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Improved prediction of personalized health outcomes -- such as sleep quality and stress -- from multimodal lifelog data could have meaningful clinical and practical implications. However, state-of-the-art models, primarily deep neural networks and gradient-boosted ensembles, sacrifice interpretability and fail to adequately address the significant inter-individual variability inherent in lifelog data. To overcome these challenges, we propose the Subject-Adaptive Sparse Linear (SASL) framework, an interpretable modeling approach explicitly designed for personalized health prediction. SASL integrates ordinary least squares regression with subject-specific interactions, systematically distinguishing global from individual-level effects. We employ an iterative backward feature elimination method based on nested $F$-tests to construct a sparse and statistically robust model. Additionally, recognizing that health outcomes often represent discretized versions of continuous processes, we develop a regression-then-thresholding approach specifically designed to maximize macro-averaged F1 scores for ordinal targets. For intrinsically challenging predictions, SASL selectively incorporates outputs from compact LightGBM models through confidence-based gating, enhancing accuracy without compromising interpretability. Evaluations conducted on the CH-2025 dataset -- which comprises roughly 450 daily observations from ten subjects -- demonstrate that the hybrid SASL-LightGBM framework achieves predictive performance comparable to that of sophisticated black-box methods, but with significantly fewer parameters and substantially greater transparency, thus providing clear and actionable insights for clinicians and practitioners.
• Abstract（参考訳）: 睡眠の質やストレスなどのパーソナライズされた健康結果の予測を、マルチモーダルなライフログデータから改善することは、有意義な臨床的および実践的な影響をもたらす可能性がある。 しかし、最先端のモデル、主にディープニューラルネットワークと勾配ブーイングアンサンブルは、解釈可能性の犠牲となり、ライフログデータに固有の重要な個人間変動に適切に対処することができない。 これらの課題を克服するために、パーソナライズされた健康予測のために設計された解釈可能なモデリング手法であるSASL(Subject-Adaptive Sparse Linear)フレームワークを提案する。 SASLは、通常の最小二乗回帰と主観的な相互作用を統合し、グローバルと個人レベルの効果を体系的に区別する。 我々は,スペアで統計的に堅牢なモデルを構築するために,ネストした$F$-testsに基づく反復的後方特徴除去手法を用いる。 さらに、健康結果が継続的プロセスの離散化されたバージョンを表すことが多いことを認識し、通常目標に対するマクロ平均F1スコアを最大化するために特別に設計された回帰仮説保持アプローチを開発する。 本質的に困難な予測のために、SASLは信頼性ベースのゲーティングを通じてコンパクトなLightGBMモデルからの出力を選択的に取り入れ、解釈可能性の妥協なしに精度を向上する。 CH-2025データセット(10件の被験者から毎日約450件の観測結果で構成されている)で実施された評価は、ハイブリッドSASL-LightGBMフレームワークが高度なブラックボックス手法に匹敵する予測性能を達成していることを示しているが、パラメータが大幅に少なく、透明性が著しく高く、臨床医や実践者にとって明確で実用的な洞察を提供する。

関連論文リスト

• Quantum Machine Learning for Predicting Anastomotic Leak: A Clinical Study [0.16777183511743468]
  AL(Anastomotic leak)は,大腸癌術後の合併症である。 本研究では、AL予測のための量子ニューラルネットワーク(QNN)の可能性について検討する。
  論文  参考訳（メタデータ） (2025-06-02T14:13:10Z)
• Semi-supervised Clustering Through Representation Learning of Large-scale EHR Data [5.591260685112265]
  SCOREは、患者埋め込みを通じて多領域の疾患プロファイルをキャプチャする半教師付き表現学習フレームワークである。 大規模データの計算課題に対処するため、ハイブリッド期待最大化(EM)とガウス変分近似(GVA)アルゴリズムを導入している。 分析の結果,ラベル付きデータの導入により精度が向上し,ラベル不足に対する感度が低下することがわかった。
  論文  参考訳（メタデータ） (2025-05-27T05:20:17Z)
• Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
  我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。 モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。 多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
  論文  参考訳（メタデータ） (2025-05-26T16:05:10Z)
• Uncovering Population PK Covariates from VAE-Generated Latent Spaces [0.24578723416255746]
  本稿では,変分オートエンコーダ(VAE)深層学習モデルとLASSOレグレッションを統合したデータ駆動型モデルフリーフレームワークを提案する。 VAEは高次元のPK信号を構造化潜在空間に圧縮し、平均絶対パーセンテージ誤差(MAPE)を2.26%で正確に再構成する。
  論文  参考訳（メタデータ） (2025-05-05T09:47:39Z)
• Conformal uncertainty quantification to evaluate predictive fairness of foundation AI model for skin lesion classes across patient demographics [8.692647930497936]
  我々は、コンフォメーション解析を用いて、視覚変換器に基づく基礎モデルの予測不確かさを定量化する。 基礎モデルの特徴埋め込みの堅牢性を評価するために、公正度測定としてどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2025-03-31T08:06:00Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。