論文の概要: AutoHealth: An Uncertainty-Aware Multi-Agent System for Autonomous Health Data Modeling

• arxiv url: http://arxiv.org/abs/2602.01078v1
• Date: Sun, 01 Feb 2026 07:50:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.583132
• Title: AutoHealth: An Uncertainty-Aware Multi-Agent System for Autonomous Health Data Modeling
• Title（参考訳）: AutoHealth: 自律的な健康データモデリングのための不確実性を考慮したマルチエージェントシステム
• Authors: Tong Xia, Weibin Li, Gang Liu, Yong Li,
• Abstract要約: textitAutoHealthは、健康データを自律的にモデル化し、モデルの信頼性を評価する、新しい不確実性対応マルチエージェントシステムである。 その効果を厳密に評価するために,多様なデータモダリティと学習環境にまたがる17のタスクからなる,挑戦的な実世界のベンチマークをキュレートする。 textitAutoHealthはすべてのタスクを完了し、最先端のベースラインを29.2%、不確実性評価50.2%で上回る。
• 参考スコア（独自算出の注目度）: 11.685892314842357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based agents have demonstrated strong potential for autonomous machine learning, yet their applicability to health data remains limited. Existing systems often struggle to generalize across heterogeneous health data modalities, rely heavily on predefined solution templates with insufficient adaptation to task-specific objectives, and largely overlook uncertainty estimation, which is essential for reliable decision-making in healthcare. To address these challenges, we propose \textit{AutoHealth}, a novel uncertainty-aware multi-agent system that autonomously models health data and assesses model reliability. \textit{AutoHealth} employs closed-loop coordination among five specialized agents to perform data exploration, task-conditioned model construction, training, and optimization, while jointly prioritizing predictive performance and uncertainty quantification. Beyond producing ready-to-use models, the system generates comprehensive reports to support trustworthy interpretation and risk-aware decision-making. To rigorously evaluate its effectiveness, we curate a challenging real-world benchmark comprising 17 tasks across diverse data modalities and learning settings. \textit{AutoHealth} completes all tasks and outperforms state-of-the-art baselines by 29.2\% in prediction performance and 50.2\% in uncertainty estimation.
• Abstract（参考訳）: LLMベースのエージェントは、自律機械学習の強い可能性を示しているが、健康データの適用性は限定的だ。 既存のシステムは、不均一な健康データモダリティをまたいだ一般化に苦慮し、タスク固有の目的への適応が不十分な事前定義されたソリューションテンプレートに大きく依存し、医療における信頼性の高い意思決定に不可欠な不確実性推定を概ね見落としている。 これらの課題に対処するために,健康データを自律的にモデル化し,モデルの信頼性を評価する,新しい不確実性を考慮したマルチエージェントシステムである‘textit{AutoHealth} を提案する。 \textit{AutoHealth} は、予測性能と不確実性定量化を共同で優先順位付けしながら、データ探索、タスク条件付きモデル構築、トレーニング、最適化を行うために、5つの特殊エージェント間のクローズドループ調整を利用する。 システムは、使い勝手の良いモデルを作るだけでなく、信頼できる解釈とリスク対応の意思決定をサポートする包括的なレポートを生成する。 その効果を厳密に評価するために,多様なデータモダリティと学習環境にまたがる17のタスクからなる,挑戦的な実世界のベンチマークをキュレートする。 textit{AutoHealth} は全てのタスクを完了し、予測性能が29.2\%、不確実性が50.2\%向上する。

関連論文リスト

• An Uncertainty-Aware Dynamic Decision Framework for Progressive Multi-Omics Integration in Classification Tasks [6.736267874971369]
  我々は、オミクスデータ分類のための不確実性を考慮したマルチビュー動的決定フレームワークを提案する。 ヘテロジニアスなモジュラリティを統合するために、Dempster-Shafer理論に基づく融合戦略を用いる。 3つのデータセットでは、50%以上のケースが、単一のオミクスモダリティを使用して正確に分類された。
  論文  参考訳（メタデータ） (2025-06-20T13:44:14Z)
• 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)
• A Vector-Quantized Foundation Model for Patient Behavior Monitoring [41.48188433408574]
  本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。 本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
  論文  参考訳（メタデータ） (2025-03-19T14:01:16Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Word-Sequence Entropy: Towards Uncertainty Estimation in Free-Form Medical Question Answering Applications and Beyond [52.246494389096654]
  本稿ではワードシーケンスエントロピー(WSE)を紹介し,単語レベルとシーケンスレベルの不確実性を校正する手法を提案する。 We compare WSE with six baseline method on five free-form medical QA datasets, using 7 popular large language model (LLMs)。
  論文  参考訳（メタデータ） (2024-02-22T03:46:08Z)
• Modeling Disagreement in Automatic Data Labelling for Semi-Supervised Learning in Clinical Natural Language Processing [2.016042047576802]
  放射線学報告における観測検出問題に応用した最先端の予測モデルからの不確実性推定の品質について検討する。
  論文  参考訳（メタデータ） (2022-05-29T20:20:49Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• 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。