論文の概要: TransConv-DDPM: Enhanced Diffusion Model for Generating Time-Series Data in Healthcare

• arxiv url: http://arxiv.org/abs/2602.07033v1
• Date: Tue, 03 Feb 2026 05:24:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.382592
• Title: TransConv-DDPM: Enhanced Diffusion Model for Generating Time-Series Data in Healthcare
• Title（参考訳）: TransConv-DDPM:医療における時系列データ生成のための拡散モデル
• Authors: Md Shahriar Kabir, Sana Alamgeer, Minakshi Debnath, Anne H. H. Ngu,
• Abstract要約: ジェネレーティブAIは、データボリュームの増加とモデルトレーニングの強化を約束している。 本稿では,生体力学的および生理的時系列データ生成のための改良された生成AIであるTransConv-DDPMを紹介する。
• 参考スコア（独自算出の注目度）: 2.2259175702299188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The lack of real-world data in clinical fields poses a major obstacle in training effective AI models for diagnostic and preventive tools in medicine. Generative AI has shown promise in increasing data volume and enhancing model training, particularly in computer vision and natural language processing (NLP) domains. However, generating physiological time-series data, a common type in medical AI applications, presents unique challenges due to its inherent complexity and variability. This paper introduces TransConv-DDPM, an enhanced generative AI method for biomechanical and physiological time-series data generation. The model employs a denoising diffusion probabilistic model (DDPM) with U-Net, multi-scale convolution modules, and a transformer layer to capture both global and local temporal dependencies. We evaluated TransConv-DDPM on three diverse datasets, generating both long and short-sequence time-series data. Quantitative comparisons against state-of-the-art methods, TimeGAN and Diffusion-TS, using four performance metrics, demonstrated promising results, particularly on the SmartFallMM and EEG datasets, where it effectively captured the more gradual temporal change patterns between data points. Additionally, a utility test on the SmartFallMM dataset revealed that adding synthetic fall data generated by TransConv-DDPM improved predictive model performance, showing a 13.64% improvement in F1-score and a 14.93% increase in overall accuracy compared to the baseline model trained solely on fall data from the SmartFallMM dataset. These findings highlight the potential of TransConv-DDPM to generate high-quality synthetic data for real-world applications.
• Abstract（参考訳）: 臨床分野での現実のデータ不足は、医学における診断と予防ツールの効果的なAIモデルを訓練する上で大きな障害となる。 生成AIは、特にコンピュータビジョンと自然言語処理(NLP)ドメインにおいて、データボリュームの増加とモデルトレーニングの強化を約束している。 しかし、医療AI応用の一般的なタイプである生理的時系列データを生成することは、その固有の複雑さと変動性のために、ユニークな課題を提示する。 本稿では,生体力学的および生理的時系列データ生成のための改良された生成AIであるTransConv-DDPMを紹介する。 このモデルは、U-Netとマルチスケールの畳み込みモジュールと、グローバルとローカル両方の時間的依存関係をキャプチャするトランスフォーマー層を備えた、分極拡散確率モデル(DDPM)を採用している。 我々はTransConv-DDPMを3つの多様なデータセットで評価し、時系列データと時系列データの両方を生成した。 4つのパフォーマンス指標を用いた最先端手法であるTimeGANとDiffusion-TSの定量的比較により、有望な結果、特にSmartFallMMとEEGデータセットにおいて、データポイント間のより段階的な時間的変化パターンを効果的に捉えた。 さらに、SmartFallMMデータセットのユーティリティテストでは、TransConv-DDPMによって生成された合成フォールデータを追加することで予測モデルのパフォーマンスが向上し、F1スコアが13.64%向上し、SmartFallMMデータセットからのフォールデータのみに基づいてトレーニングされたベースラインモデルに比べて全体的な精度が14.93%向上した。 これらの結果は,TransConv-DDPMが現実世界のアプリケーションに高品質な合成データを生成する可能性を示している。

関連論文リスト

• A Reinforcement Learning Approach to Synthetic Data Generation [8.293402602656736]
  RLSynは患者記録に対するポリシーとしてデータジェネレータをモデル化する新しいフレームワークである。 我々は、プライバシー、実用性、忠実度を評価する上で、最先端のジェネレーティブ・敵ネットワーク(GAN)と拡散に基づく手法を比較検討した。
  論文  参考訳（メタデータ） (2025-12-24T19:26:37Z)
• Development and Comparative Analysis of Machine Learning Models for Hypoxemia Severity Triage in CBRNE Emergency Scenarios Using Physiological and Demographic Data from Medical-Grade Devices [0.0]
  グラディエントブースティングモデル(GBM)は、トレーニング速度、解釈可能性、信頼性の点で、シーケンシャルモデルを上回った。 タイムリーな介入のために5分間の予測ウィンドウが選択された。 本研究は、トリアージを改善し、アラーム疲労を軽減するMLの可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-30T23:24:28Z)
• Data Augmentation via Diffusion Model to Enhance AI Fairness [1.2979015577834876]
  本稿では,AIフェアネスを改善するために合成データを生成する拡散モデルの可能性について検討する。 Tabular Denoising Diffusion Probabilistic Model (Tab-DDPM) を用いてデータ拡張を行った。 実験結果から,Tab-DDPMにより生成された合成データは,二項分類の公平性を向上させることが示された。
  論文  参考訳（メタデータ） (2024-10-20T18:52:31Z)
• SIDE: Surrogate Conditional Data Extraction from Diffusion Models [32.18993348942877]
  textbfSurrogate condItional Data extract (SIDE) は、データ駆動型サロゲート条件を構築し、任意のDPMからターゲット抽出を可能にするフレームワークである。 SIDEは、いわゆる安全無条件モデルからトレーニングデータを抽出し、条件付きモデルであってもベースラインアタックより優れていることを示す。 我々の研究は、DPMの脅威状況を再定義し、厳密な条件付けを基本的な脆弱性として確立し、モデルプライバシ評価のための新しいより強力なベンチマークを設定します。
  論文  参考訳（メタデータ） (2024-10-03T13:17:06Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• 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)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
  我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。 実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-03T09:08:47Z)

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。