論文の概要: DeepFeature: Iterative Context-aware Feature Generation for Wearable Biosignals

• arxiv url: http://arxiv.org/abs/2512.08379v1
• Date: Tue, 09 Dec 2025 09:06:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.889195
• Title: DeepFeature: Iterative Context-aware Feature Generation for Wearable Biosignals
• Title（参考訳）: DeepFeature: ウェアラブルバイオシグナーのための反復的コンテキスト認識機能生成
• Authors: Kaiwei Liu, Yuting He, Bufang Yang, Mu Yuan, Chun Man Victor Wong, Ho Pong Andrew Sze, Zhenyu Yan, Hongkai Chen,
• Abstract要約: DeepFeatureは、ウェアラブルバイオ署名のためのコンテキスト認識機能生成フレームワークである。 専門知識とタスク設定を統合するマルチソース機能生成機構を使用している。 また、機能の再選択に機能評価ベースのフィードバックを使用する反復的な機能改善プロセスも採用している。 8種類のタスクに対して平均4.21-9.67%のAUROC改善を実現している。
• 参考スコア（独自算出の注目度）: 6.456021337588958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biosignals collected from wearable devices are widely utilized in healthcare applications. Machine learning models used in these applications often rely on features extracted from biosignals due to their effectiveness, lower data dimensionality, and wide compatibility across various model architectures. However, existing feature extraction methods often lack task-specific contextual knowledge, struggle to identify optimal feature extraction settings in high-dimensional feature space, and are prone to code generation and automation errors. In this paper, we propose DeepFeature, the first LLM-empowered, context-aware feature generation framework for wearable biosignals. DeepFeature introduces a multi-source feature generation mechanism that integrates expert knowledge with task settings. It also employs an iterative feature refinement process that uses feature assessment-based feedback for feature re-selection. Additionally, DeepFeature utilizes a robust multi-layer filtering and verification approach for robust feature-to-code translation to ensure that the extraction functions run without crashing. Experimental evaluation results show that DeepFeature achieves an average AUROC improvement of 4.21-9.67% across eight diverse tasks compared to baseline methods. It outperforms state-of-the-art approaches on five tasks while maintaining comparable performance on the remaining tasks.
• Abstract（参考訳）: ウェアラブルデバイスから収集されたバイオシグナーは、医療アプリケーションで広く利用されている。 これらのアプリケーションで使用される機械学習モデルは、その有効性、データ次元の低下、および様々なモデルアーキテクチャ間の広範な互換性のために、生体信号から抽出された機能に依存していることが多い。 しかし,既存の特徴抽出手法にはタスク固有のコンテキスト知識がなく,高次元特徴空間における最適な特徴抽出設定の特定に苦慮し,コード生成や自動化の誤りが生じることが多い。 本稿では,ウェアラブルバイオシグナリクスのためのLLMを利用した初のコンテキスト認識機能生成フレームワークであるDeepFeatureを提案する。 DeepFeatureは、専門家の知識とタスク設定を統合するマルチソース機能生成メカニズムを導入した。 また、機能の再選択に機能評価ベースのフィードバックを使用する反復的な機能改善プロセスも採用している。 さらに、DeepFeatureは堅牢な多層フィルタリングと検証アプローチを使用して、堅牢な機能対コード変換を使用して、抽出関数がクラッシュすることなく動作することを保証する。 実験結果から,DeepFeatureは平均4.21～9.67%のAUROC改善を実現していることがわかった。 残りのタスクで同等のパフォーマンスを維持しながら、5つのタスクで最先端のアプローチより優れています。

関連論文リスト

• Knowledge-Informed Automatic Feature Extraction via Collaborative Large Language Model Agents [3.913122709822389]
  Rogue Oneは知識インフォームド自動特徴抽出のための新しいマルチエージェントフレームワークである。 Rogue Oneは、19の分類と9の回帰データセットからなる総合的なスイートにおいて、最先端の手法を大幅に上回っていることを実証した。
  論文  参考訳（メタデータ） (2025-11-19T03:27:14Z)
• ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
  ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。 ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。 提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
  論文  参考訳（メタデータ） (2025-10-21T06:51:30Z)
• Dual-Agent Reinforcement Learning for Automated Feature Generation [3.635311806373203]
  機能生成には、オリジナルの機能間の複雑な関係をキャプチャするために、生のデータから新機能を作成することが含まれる。 特徴生成のための強化学習を用いた現在の手法は、特徴探索をより柔軟かつ効率的にしている。 特徴生成のための新しい二エージェント強化学習法を提案する。
  論文  参考訳（メタデータ） (2025-05-19T02:24:16Z)
• Leveraging Mixture of Experts for Improved Speech Deepfake Detection [53.69740463004446]
  スピーチのディープフェイクは、個人のセキュリティとコンテンツの信頼性に重大な脅威をもたらす。 本研究では,Mixture of Expertsアーキテクチャを用いた音声深度検出性能の向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-24T13:24:03Z)
• Neuro-Symbolic Embedding for Short and Effective Feature Selection via Autoregressive Generation [22.87577374767465]
  ニューロシンボリックレンズを用いて特徴選択を再構成し、短時間かつ効果的な特徴サブセットを特定することを目的とした新しい生成フレームワークを導入する。 本稿ではまず,特徴IDトークン,モデル性能,特徴サブセットの冗長度測定などからなる多数の特徴選択サンプルを自動的に収集するデータ収集手法を提案する。 収集したデータに基づいて,効率的な探索のために,特徴選択の知性を連続的な埋め込み空間に保存するエンコーダ・デコーダ・評価学習パラダイムを開発した。
  論文  参考訳（メタデータ） (2024-04-26T05:01:08Z)
• Learning Task Automata for Reinforcement Learning using Hidden Markov Models [37.69303106863453]
  本稿では,非マルコフ型タスク仕様を簡潔な有限状態タスクオートマトンとして学習するための新しいパイプラインを提案する。 我々は,その製品 MDP を部分的に観測可能な MDP として扱い,よく知られた Baum-Welch アルゴリズムを用いて隠れマルコフモデルを学習することで,仕様のオートマトンと環境の MDP からなるモデルである製品 MDP を学習する。 我々の学習タスクオートマトンはタスクをその構成サブタスクに分解し、RLエージェントが後に最適なポリシーを合成できる速度を改善する。
  論文  参考訳（メタデータ） (2022-08-25T02:58:23Z)
• Correlation-Aware Deep Tracking [83.51092789908677]
  本稿では,自己/横断的意図に着想を得た,新たなターゲット依存型特徴ネットワークを提案する。 我々のネットワークは機能ネットワークの複数の層にクロスイメージの特徴相関を深く埋め込んでいる。 我々のモデルは、豊富な未ペア画像に対して柔軟に事前訓練が可能であり、既存の手法よりも顕著に高速な収束をもたらす。
  論文  参考訳（メタデータ） (2022-03-03T11:53:54Z)
• Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
  現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。 フェースフォージェリ検出に高周波雑音を用いることを提案する。 1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。 2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
  論文  参考訳（メタデータ） (2021-03-23T08:19:21Z)
• Hybrid Embedded Deep Stacked Sparse Autoencoder with w_LPPD SVM Ensemble [13.981652331491558]
  本稿では,新しいディープオートエンコーダについて述べる。 トレーニング中にオリジナルの機能を埋め込んで、弱い隠蔽層出力をフィルタリングすることで、差別的な深い特徴を学習することができる。 実験の結果,提案した特徴学習法は,他の既存および最先端の特徴学習アルゴリズムと比較して,優れた性能を示すことがわかった。
  論文  参考訳（メタデータ） (2020-02-17T04:06:05Z)

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。