論文の概要: Deep learning outperforms traditional machine learning methods in predicting childhood malnutrition: evidence from survey data
- arxiv url: http://arxiv.org/abs/2602.10381v1
- Date: Wed, 11 Feb 2026 00:04:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 21:44:01.347759
- Title: Deep learning outperforms traditional machine learning methods in predicting childhood malnutrition: evidence from survey data
- Title（参考訳）: ディープラーニングは、幼児の栄養失調を予測する従来の機械学習手法よりも優れる:調査データによる証拠
- Authors: Deepak Bastola, Yang Li,
- Abstract要約: 本研究は, 栄養失調を識別するための機械学習および深層学習方法論の総合的評価を初めて行った。
栄養失調の主要な予測要因は、母系教育、家計資産指数、児童年齢であり、次いで地理的特徴である。
提案手法は、持続可能な開発目標に向けたネパールの進歩を支援し、世界中で同様の低リソース設定のための転送可能な方法論テンプレートを提供する。
- 参考スコア（独自算出の注目度）: 2.3951444869691594
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Childhood malnutrition remains a major public health concern in Nepal and other low-resource settings, while conventional case-finding approaches are labor-intensive and frequently unavailable in remote areas. This study provides the first comprehensive assessment of machine learning and deep learning methodologies for identifying malnutrition among children under five years of age in Nepal. We systematically compared 16 algorithms spanning deep learning, gradient boosting, and traditional machine learning families, using data from the Nepal Multiple Indicator Cluster Survey (MICS) 2019. A composite malnutrition indicator was constructed by integrating stunting, wasting, and underweight status, and model performance was evaluated using ten metrics, with emphasis on F1-score and recall to account for substantial class imbalance and the high cost of failing to detect malnourished children. Among all models, TabNet demonstrated the best performance, likely attributable to its attention-based architecture, and outperformed both support vector machine and AdaBoost classifiers. A consensus feature importance analysis identified maternal education, household wealth index, and child age as the primary predictors of malnutrition, followed by geographic characteristics, vaccination status, and meal frequency. Collectively, these results demonstrate a scalable, survey-based screening framework for identifying children at elevated risk of malnutrition and for guiding targeted nutritional interventions. The proposed approach supports Nepal's progress toward the Sustainable Development Goals and offers a transferable methodological template for similar low-resource settings globally.
- Abstract（参考訳）: 幼児期の栄養失調は、ネパールや他の低資源環境において主要な公衆衛生上の問題であり、従来のケースフィリングアプローチは労働集約的で、遠隔地では頻繁に利用できない。
本研究は,ネパールで5歳未満の子どもの栄養失調を同定するために,機械学習と深層学習の方法論を総合的に評価した最初の事例である。
ネパール多重指標クラスタサーベイ(MICS)2019のデータを用いて、ディープラーニング、勾配向上、従来の機械学習ファミリにまたがる16のアルゴリズムを体系的に比較した。
F1スコアとリコールに重点を置いて, スタント, 無駄, および低体重状態を統合した総合栄養失調指標を構築し, モデル性能を10指標を用いて評価した。
あらゆるモデルの中で、TabNetは最も優れたパフォーマンスを示しており、おそらく注意に基づくアーキテクチャに起因し、サポートベクターマシンとAdaBoostの分類器の両方よりも優れていた。
地域特性,ワクチン接種状況,食事頻度の順に,母子教育,世帯富指数,児童年齢を栄養失調の予測要因として同定した。
これらの結果は, 栄養失調のリスクが高い子どもを識別し, 対象とする栄養介入を導くための, スケーラブルで調査ベースのスクリーニングフレームワークを示すものである。
提案手法は、持続可能な開発目標に向けたネパールの進歩を支援し、世界中で同様の低リソース設定のための転送可能な方法論テンプレートを提供する。
関連論文リスト
- Predicting Anemia Among Under-Five Children in Nepal Using Machine Learning and Deep Learning [1.8183349008726755]
ネパール・デモグラフィック・ヘルス・サーベイ (NDHS 2022) のマイクロデータを用いて, 1,855人の子どもを対象に分析を行った。
小児年齢,近年の発熱, 世帯規模, 母性貧血, 寄生虫除虫が一貫して選択された。
機械学習とディープラーニングモデルは、競合する貧血の予測を提供する。
論文 参考訳（メタデータ） (2026-02-01T04:00:12Z) - Explainable Machine Learning for Pediatric Dental Risk Stratification Using Socio-Demographic Determinants [0.0]
方法: 人口レベルの小児データを用いて, 年齢, 収入と収益の比率, 人種・民族性, 性別, 医療歴などを用いて, 教師付き機械学習モデルを訓練した。
モデルは、高い確率レベルでリスクを過小評価する保守的なキャリブレーションによって、控えめな差別を達成した。
論文 参考訳（メタデータ） (2026-01-18T13:40:41Z) - NutriScreener: Retrieval-Augmented Multi-Pose Graph Attention Network for Malnourishment Screening [33.31396710382974]
NutriScreenerは検索強化多目的グラフアテンションネットワークである。
これは、CLIPベースの視覚埋め込み、クラスブートされた知識検索、コンテキスト認識を組み合わせたものだ。
0.79のリコール、0.82のAUC、より低いRMSEを達成している。
論文 参考訳（メタデータ） (2025-11-20T17:20:42Z) - Interpretable Graph-Language Modeling for Detecting Youth Illicit Drug Use [51.696842592898804]
十代の若者や若者(TYA)の間での違法薬物使用は、公衆衛生上の問題となっている。
TYAの違法薬物使用を検出するため、研究者は若者のリスク行動調査(YRBS)や全米薬物使用・健康調査(NSDUH)などの大規模調査を分析した。
既存のモデリング手法は、潜伏構造と相互接続構造を見渡すことで、調査変数を独立に扱う。
LAMIは違法薬物の使用を検知し、TYA間の行動危険因子を解釈するための新しいグラフ言語モデリングフレームワークである。
論文 参考訳（メタデータ） (2025-10-11T17:29:50Z) - Data-Driven Prediction of Maternal Nutritional Status in Ethiopia Using Ensemble Machine Learning Models [0.0]
妊婦の栄養失調はエチオピアの主要な公衆衛生問題である。
従来の統計学的アプローチでは、栄養状態の複雑な多次元決定因子を捉えることができない。
本研究では,アンサンブル機械学習を用いた予測モデルを開発した。
論文 参考訳（メタデータ） (2025-09-18T13:31:40Z) - Learning from Neighbors: Category Extrapolation for Long-Tail Learning [62.30734737735273]
より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。
既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。
補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
論文 参考訳（メタデータ） (2024-10-21T13:06:21Z) - Toward Improving Predictive Risk Modelling for New Zealand's Child
Welfare System Using Clustering Methods [0.0]
本研究の目的は,児童虐待の予測リスクモデル開発における早期段階として,クラスタリングの度合いを明らかにすることである。
以上の結果から, ある年齢の子供に対して, 誤差率のさらなる制御とモデル精度の向上のために, 個別のモデルを開発する必要がある可能性が示唆された。
論文 参考訳（メタデータ） (2023-08-08T05:46:03Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - The Neural Process Family: Survey, Applications and Perspectives [40.800706337651526]
ニューラルプロセスファミリー(NPF)は、メタ学習予測の不確実性にニューラルネットワークを活用することによって、両方の世界の長所を提供する。
私たちは、他の深層学習分野のいくつかの最近の進歩を、ひとつの傘の下で実現する可能性に光を当てました。
論文 参考訳（メタデータ） (2022-09-01T15:01:32Z) - LAE : Long-tailed Age Estimation [52.5745217752147]
まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。
標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。
本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-25T09:05:44Z)
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。