論文の概要: Wearable Foundation Models Should Go Beyond Static Encoders
- arxiv url: http://arxiv.org/abs/2603.19564v1
- Date: Fri, 20 Mar 2026 02:11:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:38.941042
- Title: Wearable Foundation Models Should Go Beyond Static Encoders
- Title（参考訳）: ウェアラブルファウンデーションモデルは静的エンコーダを超えるべき
- Abstract要約: ウェアラブル基礎モデル(WFM)は、短期的、明確に定義された健康モニタリングタスクにおいて、強力なパフォーマンスを示している。
既存のほとんどのWFMは、短い時間ウィンドウを静的エンコーダを介して事前に定義されたラベルにマップする。
我々は、WFMは静的エンコーダを超えて、縦断的、予想される健康推論のために明示的に設計されなければならないと論じる。
- 参考スコア（独自算出の注目度）: 36.85245258784172
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wearable foundation models (WFMs), trained on large volumes of data collected by affordable, always-on devices, have demonstrated strong performance on short-term, well-defined health monitoring tasks, including activity recognition, fitness tracking, and cardiovascular signal assessment. However, most existing WFMs primarily map short temporal windows to predefined labels via static encoders, emphasizing retrospective prediction rather than reasoning over evolving personal history, context, and future risk trajectories. As a result, they are poorly suited for modeling chronic, progressive, or episodic health conditions that unfold over weeks, months or years. Hence, we argue that WFMs must move beyond static encoders and be explicitly designed for longitudinal, anticipatory health reasoning. We identify three foundational shifts required to enable this transition: (1) Structurally rich data, which goes beyond isolated datasets or outcome-conditioned collection to integrated multimodal, long-term personal trajectories, and contextual metadata, ideally supported by open and interoperable data ecosystems; (2) Longitudinal-aware multimodal modeling, which prioritizes long-context inference, temporal abstraction, and personalization over cross-sectional or population-level prediction; and (3) Agentic inference systems, which move beyond static prediction to support planning, decision-making, and clinically grounded intervention under uncertainty. Together, these shifts reframe wearable health monitoring from retrospective signal interpretation toward continuous, anticipatory, and human-aligned health support.
- Abstract（参考訳）: ウェアラブルファウンデーションモデル(WFM)は、安価な常時オンのデバイスで収集された大量のデータに基づいてトレーニングされ、活動認識、フィットネストラッキング、心血管信号評価など、短期的、明確に定義された健康モニタリングタスクにおいて、強力なパフォーマンスを示している。
しかしながら、既存のほとんどのWFMは、個人の歴史、状況、将来のリスク軌跡を推論するよりも、振り返り予測を強調するために、主に静的エンコーダを通じて定義されたラベルに短い時間窓をマッピングする。
結果として、数週間、数ヶ月、または数年にわたって広がる慢性、進行、またはてんかんの健康状態のモデリングには適していない。
したがって、WFMは静的エンコーダを超えて、縦長で予測可能な健康推論のために明示的に設計されなければならないと論じる。
この移行を実現する上で必要となる3つの基本的シフトは,(1)孤立したデータセットや結果条件の収集を超えて,オープンで相互運用可能なデータエコシステムによって理想的にサポートされた,統合されたマルチモーダル,長期的個人的トラジェクトリ,およびコンテキスト的メタデータへと移行する構造的リッチなデータ,(2)長期コンテキスト推論,時間的抽象化,横断的あるいは人口レベルの予測よりも個人化を優先する経時的マルチモーダルモデリング,(3)不確実性の下での計画,意思決定,臨床的な介入を支援するための静的予測を超えたエージェント推論システムである。
これらのシフトは、ウェアラブルの健康モニタリングを、振り返り信号の解釈から、継続的、予測的、そして人間による健康サポートへと再構成する。
関連論文リスト
- Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning [50.948271066372826]
本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。
我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
論文 参考訳（メタデータ） (2026-06-20T17:58:17Z) - ChronoSurv: A Clinical Pathway-Guided Graph Framework for Multimodal Survival Analysis [0.0]
ChronoSurvは、患者ケアを、重要な診断手順に整合した有向グラフを用いて、進行を認識可能な臨床軌跡として表現する。
2つの公開データセットの実験結果は、ChronoSurvが最先端の識別性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-17T14:46:47Z) - MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。
MedMambaは線形計算複雑性を維持しながら最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-24T09:23:39Z) - Toward Personalized Digital Twins for Cognitive Decline Assessment: A Multimodal, Uncertainty-Aware Framework [0.2566571621858396]
PCD-DTフレームワークは、神経変性疾患におけるシリコモデリングをパーソナライズするための原則的な出発点を提供する。
本研究は,PCD-DTを臨床展開性,不確実性を考慮したデジタル双生児システムに向けた基礎的なステップとして位置づける。
論文 参考訳（メタデータ） (2026-04-29T21:40:55Z) - Personalized Longitudinal Medical Report Generation via Temporally-Aware Federated Adaptation [43.13545436728014]
FedTARは、人口動態に基づくパーソナライズと、タイムアウェアなグローバルアグリゲーションを統合するフレームワークである。
J-MID (1M 試験) とMIMIC-CXR の実験は, 言語的精度, 時間的コヒーレンス, クロスサイト一般化において一貫した改善を示した。
論文 参考訳（メタデータ） (2026-02-23T10:14:36Z) - MIRA: Medical Time Series Foundation Model for Real-World Health Data [39.55921588296102]
医用時系列の統一基盤モデルは、アノテーションの負担を軽減し、モデルのカスタマイズを最小化し、堅牢な転送を可能にする。
医療時系列の予測に特化して設計された統合基盤モデルであるMIRAを紹介する。
MIRAは、他のゼロショットベースラインや微調整ベースラインと比較して、アウト・オブ・ディストリビューションとイン・ディストリビューションのシナリオで平均10%と7%の誤差を予測できる。
論文 参考訳（メタデータ） (2025-06-09T09:27:17Z) - From EHRs to Patient Pathways: Scalable Modeling of Longitudinal Health Trajectories with LLMs [38.49879425944787]
本稿では,多様な電子健康記録(EHR)データを構造化表現に変換することで,患者経路モデリングの新しい手法を提案する。
本稿では,長期的文脈をトピック固有の要約トークンに組み込む新しい要約機構を導入し,テキストのみの性能を向上させる。
論文 参考訳（メタデータ） (2025-06-05T09:54:01Z) - Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
がん予後は、患者の予後と生存率を予測する重要なタスクである。
これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。
既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。
第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
論文 参考訳（メタデータ） (2025-01-30T06:49:57Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳（メタデータ） (2023-10-28T12:08:03Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z)
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。