論文の概要: Tyee: A Unified, Modular, and Fully-Integrated Configurable Toolkit for Intelligent Physiological Health Care

• arxiv url: http://arxiv.org/abs/2512.22601v1
• Date: Sat, 27 Dec 2025 14:14:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.128883
• Title: Tyee: A Unified, Modular, and Fully-Integrated Configurable Toolkit for Intelligent Physiological Health Care
• Title（参考訳）: Tyee: インテリジェントな生理医療のための統一的でモジュール的で完全に統合された構成可能なツールキット
• Authors: Tao Zhou, Lingyu Shu, Zixing Zhang, Jing Han,
• Abstract要約: 我々は、インテリジェントな生理的医療のための統一的でモジュラーで完全に統合されたツールキットであるTyeeを紹介します。 Tyee氏は、(1)12種類の信号モダリティのための統一されたデータインターフェースと前処理パイプライン、(2)柔軟な統合とタスク間の迅速なプロトタイピングを可能にするモジュール型でスケーラブルなアーキテクチャ、(3)再現性とスケーラブルな実験を促進するエンドツーエンドのワークフロー構成という3つの重要なイノベーションを紹介している。
• 参考スコア（独自算出の注目度）: 16.184230178980705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has shown great promise in physiological signal analysis, yet its progress is hindered by heterogeneous data formats, inconsistent preprocessing strategies, fragmented model pipelines, and non-reproducible experimental setups. To address these limitations, we present Tyee, a unified, modular, and fully-integrated configurable toolkit designed for intelligent physiological healthcare. Tyee introduces three key innovations: (1) a unified data interface and configurable preprocessing pipeline for 12 kinds of signal modalities; (2) a modular and extensible architecture enabling flexible integration and rapid prototyping across tasks; and (3) end-to-end workflow configuration, promoting reproducible and scalable experimentation. Tyee demonstrates consistent practical effectiveness and generalizability, outperforming or matching baselines across all evaluated tasks (with state-of-the-art results on 12 of 13 datasets). The Tyee toolkit is released at https://github.com/SmileHnu/Tyee and actively maintained.
• Abstract（参考訳）: 深層学習は生理学的信号解析において大きな可能性を秘めているが、その進歩には不均一なデータフォーマット、一貫性のない前処理戦略、断片化されたモデルパイプライン、再現不可能な実験装置が妨げられている。 これらの制限に対処するために、インテリジェントな生理的医療のために設計された、統一的でモジュール化され、完全に統合された構成可能なツールキットであるTyeeを紹介します。 統合されたデータインターフェースと12種類の信号モダリティのための設定可能な前処理パイプライン,(2)柔軟な統合とタスク間の迅速なプロトタイピングを可能にするモジュール型で拡張可能なアーキテクチャ,(3)再現性とスケーラブルな実験を促進するエンドツーエンドのワークフロー構成,という3つの重要なイノベーションを紹介している。 Tyee氏は、すべての評価されたタスク(13のデータセットの12の最先端結果を含む)に対して、一貫した実用的効果と一般化性、パフォーマンスまたは整合性を示す。 Tyeeツールキットはhttps://github.com/SmileHnu/Tyeeでリリースされ、アクティブにメンテナンスされている。

関連論文リスト

• Pearl: A Foundation Model for Placing Every Atom in the Right Location [52.35027831422145]
  タンパク質-リガンド共フォールディングの基礎モデルであるPearlを紹介した。 パールはタンパク質-リガンド結合における新しい最先端性能を確立している。 Pearlは、パブリックなRuns N' PosesとPoseBustersベンチマークでAlphaFold 3や他のオープンソースベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-28T17:36:51Z)
• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• Towards Robust Multimodal Physiological Foundation Models: Handling Arbitrary Missing Modalities [9.785262633953794]
  生理オムニ (Phylo Omni) は、マルチモーダルな生理的信号解析の基礎モデルである。 分離されたマルチモーダル・トークンーザを訓練し、マスクされた信号の事前訓練を可能にする。 最先端のパフォーマンスを達成しつつ、モダリティの欠如に対して強い堅牢性を維持します。
  論文  参考訳（メタデータ） (2025-04-28T09:00:04Z)
• Fast and Accurate Blind Flexible Docking [79.88520988144442]
  小分子(配位子)のタンパク質標的への結合構造を予測する分子ドッキングは、薬物発見において重要な役割を果たす。 本研究では,現実的な視覚的フレキシブルドッキングシナリオを対象とした,高速かつ高精度な回帰ベースマルチタスク学習モデルであるFABFlexを提案する。
  論文  参考訳（メタデータ） (2025-02-20T07:31:13Z)
• One-step Structure Prediction and Screening for Protein-Ligand Complexes using Multi-Task Geometric Deep Learning [6.605588716386855]
  マルチタスク幾何学的深層学習に基づいて,LigPoseを1つのモデル,すなわちLigPoseに正確に取り組めることを示す。 LigPoseはリガンドとタンパク質のペアをグラフとして表現し、結合強度と原子間相互作用を補助的なタスクとして学習する。 実験によると、LigPoseは薬物研究の主要な課題について最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2024-08-21T05:53:50Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Extending Process Discovery with Model Complexity Optimization and Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
  モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。 所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。 医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
  論文  参考訳（メタデータ） (2022-06-10T16:20:59Z)

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。