論文の概要: Amortized Bayesian inference for actigraph time sheet data from mobile devices

• arxiv url: http://arxiv.org/abs/2602.20611v1
• Date: Tue, 24 Feb 2026 07:03:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.637169
• Title: Amortized Bayesian inference for actigraph time sheet data from mobile devices
• Title（参考訳）: モバイル端末からのアクチグラフタイムシートデータに対するアモータイズされたベイズ推定
• Authors: Daniel Zhou, Sudipto Banerjee,
• Abstract要約: 本稿では,アクティグラフ時間シートに対するベイズ推定について述べる。 ロサンゼルス(PASTA-LA)におけるサステナブルトランスポートアプローチによる身体活動からのアクティグラフデータに関する分析を構築した。
• 参考スコア（独自算出の注目度）: 0.8021197489470758
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile data technologies use ``actigraphs'' to furnish information on health variables as a function of a subject's movement. The advent of wearable devices and related technologies has propelled the creation of health databases consisting of human movement data to conduct research on mobility patterns and health outcomes. Statistical methods for analyzing high-resolution actigraph data depend on the specific inferential context, but the advent of Artificial Intelligence (AI) frameworks require that the methods be congruent to transfer learning and amortization. This article devises amortized Bayesian inference for actigraph time sheets. We pursue a Bayesian approach to ensure full propagation of uncertainty and its quantification using a hierarchical dynamic linear model. We build our analysis around actigraph data from the Physical Activity through Sustainable Transport Approaches in Los Angeles (PASTA-LA) study conducted by the Fielding School of Public Health in the University of California, Los Angeles. Apart from achieving probabilistic imputation of actigraph time sheets, we are also able to statistically learn about the time-varying impact of explanatory variables on the magnitude of acceleration (MAG) for a cohort of subjects.
• Abstract（参考訳）: モバイルデータ技術は「アクティグラフ」を用いて、被験者の動きの関数として健康変数に関する情報を提供する。 ウェアラブルデバイスとその関連技術の出現により、人間の運動データからなる健康データベースの作成が促進され、移動パターンや健康結果の研究が進められている。 高解像度のアクチグラフデータを解析するための統計的手法は、特定の推論コンテキストに依存するが、人工知能(AI)フレームワークの出現は、学習と記憶の伝達に同調することを要求する。 本稿では,アクティグラフ時間シートに対するベイズ推定について述べる。 我々は、階層的動的線形モデルを用いて不確実性の完全な伝播とその定量化を保証するためのベイズ的アプローチを追求する。 我々は,カリフォルニア大学ロサンゼルス校のフィールディング・スクール・オブ・パブリック・ヘルス(Fielding School of Public Health)が実施した,サステナブル・トランスポート・アプローチ(Sustainable Transport Approaches in Los Angeles (PASTA-LA))による身体活動からのアクチグラフデータに関する分析を構築した。 アクチグラフタイムシートの確率論的計算の達成以外にも、説明変数の時間変化が被験者のコホート加速度(MAG)に与える影響を統計的に知ることができる。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献をよりよく理解するために,既存の手法をモデル中心およびデータ中心のアプローチに分類する系統分類を導入した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• QXAI: Explainable AI Framework for Quantitative Analysis in Patient Monitoring Systems [9.29069202652354]
  定量的分析のための説明可能なAI(QXAI)フレームワークは、回帰および分類タスクのポストホックモデル説明可能性と本質的な説明可能性によって提案される。 我々は,センサデータに基づく心拍数予測と身体活動の分類を行うために,人工ニューラルネットワーク (ANN) と注意に基づく双方向LSTM (BiLSTM) モデルを採用した。
  論文  参考訳（メタデータ） (2023-09-19T03:50:30Z)
• Topological Interpretability for Deep-Learning [0.30806551485143496]
  ディープラーニング(DL)モデルは、予測の確実性を定量化できない。 本研究は,臨床および非臨床のテキストに基づいて訓練された2つのDL分類モデルにおいて,特徴を推測する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-15T13:38:13Z)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Encoding Domain Information with Sparse Priors for Inferring Explainable Latent Variables [2.8935588665357077]
  説明可能な因子の推論を促進するために,スパース先行の因子潜在変数モデルであるspex-LVMを提案する。 spex-LVMは、既存の生物医療経路の知識を利用して、潜在因子にアノテート属性を自動的に割り当てる。 シミュレーションおよび実シングルセルRNA-seqデータセットの評価は、本モデルが本質的に説明可能な方法で関連構造を頑健に識別することを示す。
  論文  参考訳（メタデータ） (2021-07-08T10:19:32Z)

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。