論文の概要: Integrating Explainable Machine Learning and Mixed-Integer Optimization for Personalized Sleep Quality Intervention

• arxiv url: http://arxiv.org/abs/2603.16937v1
• Date: Sat, 14 Mar 2026 19:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.274201
• Title: Integrating Explainable Machine Learning and Mixed-Integer Optimization for Personalized Sleep Quality Intervention
• Title（参考訳）: パーソナライズされた睡眠品質介入のための説明可能な機械学習と混合整数最適化の統合
• Authors: Mahfuz Ahmed Anik, Mohsin Mahmud Topu, Azmine Toushik Wasi, Md Isfar Khan, MD Manjurul Ahsan,
• Abstract要約: 本稿では,解釈可能な機械学習と混合整数最適化を統合した予測記述型フレームワークを提案する。 調査データに基づいて訓練された教師付き分類器は睡眠品質を予測し、SHAPに基づく特徴属性は変更因子の影響を定量化する。 テストF1スコアは0.9544、精度は0.9366である。
• 参考スコア（独自算出の注目度）: 5.477477311297089
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Sleep quality is influenced by a complex interplay of behavioral, environmental, and psychosocial factors, yet most computational studies focus mainly on predictive risk identification rather than actionable intervention design. Although machine learning models can accurately predict subjective sleep outcomes, they rarely translate predictive insights into practical intervention strategies. To address this gap, we propose a personalized predictive-prescriptive framework that integrates interpretable machine learning with mixed-integer optimization. A supervised classifier trained on survey data predicts sleep quality, while SHAP-based feature attribution quantifies the influence of modifiable factors. These importance measures are incorporated into a mixed-integer optimization model that identifies minimal and feasible behavioral adjustments, while modelling resistance to change through a penalty mechanism. The framework achieves strong predictive performance, with a test F1-score of 0.9544 and an accuracy of 0.9366. Sensitivity and Pareto analyses reveal a clear trade-off between expected improvement and intervention intensity, with diminishing returns as additional changes are introduced. At the individual level, the model generates concise recommendations, often suggesting one or two high-impact behavioral adjustments and sometimes recommending no change when expected gains are minimal. By integrating prediction, explanation, and constrained optimization, this framework demonstrates how data-driven insights can be translated into structured and personalized decision support for sleep improvement.
• Abstract（参考訳）: 睡眠の質は行動、環境、精神社会的要因の複雑な相互作用に影響されているが、ほとんどの計算研究では、行動可能な介入設計ではなく、主に予測的リスク識別に焦点を当てている。 機械学習モデルは、主観的な睡眠結果を正確に予測できるが、実際の介入戦略に予測的洞察を翻訳することは滅多にない。 このギャップに対処するために、解釈可能な機械学習と混合整数最適化を統合したパーソナライズされた予測記述型フレームワークを提案する。 調査データに基づいて訓練された教師付き分類器は睡眠品質を予測し、SHAPに基づく特徴属性は変更因子の影響を定量化する。 これらの重要度は、ペナルティ機構を通じて変化に対する抵抗をモデル化しながら、最小限かつ実現可能な行動調整を識別する混合整数最適化モデルに組み込まれる。 テストF1スコアは0.9544、精度は0.9366である。 感度とパレート分析により、期待される改善と介入の強度の間に明確なトレードオフが明らかとなり、追加的な変更が導入されるとリターンが低下する。 個々のレベルでは、モデルは簡潔なレコメンデーションを生成し、しばしば1つか2つのハイインパクトな行動調整を提案する。 このフレームワークは、予測、説明、制約付き最適化を統合することで、データ駆動の洞察を構造化され、パーソナライズされた意思決定支援に変換し、睡眠を改善する方法を示す。

関連論文リスト

• Adaptive-CaRe: Adaptive Causal Regularization for Robust Outcome Prediction [16.391352325575763]
  監視された機械学習アルゴリズムは、医療領域における結果予測に一般的に使用される。 本稿では,医療領域における一般結果予測のためのモデル非依存型正規化戦略であるAdaptive-CaReを提案する。
  論文  参考訳（メタデータ） (2026-02-06T11:14:03Z)
• ARISE: An Adaptive Resolution-Aware Metric for Test-Time Scaling Evaluation in Large Reasoning Models [102.4511331368587]
  ARISE(Adaptive Resolution-Aware Scaling Evaluation)は、大規模推論モデルの試験時間スケーリングの有効性を評価するために設計された新しい尺度である。 我々は、様々な領域にわたる最先端の推論モデルを評価する包括的な実験を行う。
  論文  参考訳（メタデータ） (2025-10-07T15:10:51Z)
• Individualized and Interpretable Sleep Forecasting via a Two-Stage Adaptive Spatial-Temporal Model [1.7904458681854372]
  睡眠の質は幸福に大きく影響する。 本稿では,睡眠の質を評価するための2段階適応時空間モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-28T19:01:40Z)
• Detecting and Pruning Prominent but Detrimental Neurons in Large Language Models [68.57424628540907]
  大規模言語モデル(LLM)は、しばしば特定のデータセットに特化した学習メカニズムを開発する。 本稿では,データセット固有のメカニズムに関連するニューロンの同定と解析により,一般化の促進を目的とした微調整手法を提案する。 本手法では,各ニューロンの高信頼度予測への影響を定量化するため,データセット固有の性能に不均等に寄与するニューロンを同定する。
  論文  参考訳（メタデータ） (2025-07-12T08:10:10Z)
• Smart Predict-then-Optimize Method with Dependent Data: Risk Bounds and Calibration of Autoregression [7.369846475695131]
  本稿では,決定段階における最適化問題を直接対象とする自己回帰型SPO手法を提案する。 我々は, 絶対損失と最小二乗損失と比較して, SPO+サロゲートの有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-11-19T17:02:04Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• Online Adaptation of Neural Network Models by Modified Extended Kalman Filter for Customizable and Transferable Driving Behavior Prediction [3.878105750489657]
  人間ドライバーの行動予測は、自動運転車の効率的かつ安全な展開に不可欠である。 本稿では,運転行動予測タスクに$tau$-step modified Extended Kalman Filterパラメータ適応アルゴリズムを適用する。 観察された軌跡のフィードバックにより,異なる被験者やシナリオ間での運転行動予測の性能向上にアルゴリズムを適用した。
  論文  参考訳（メタデータ） (2021-12-09T05:39:21Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)

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。