論文の概要: Graph Vector Field: A Unified Framework for Multimodal Health Risk Assessment from Heterogeneous Wearable and Environmental Data Streams
- arxiv url: http://arxiv.org/abs/2603.28115v1
- Date: Mon, 30 Mar 2026 07:26:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.275196
- Title: Graph Vector Field: A Unified Framework for Multimodal Health Risk Assessment from Heterogeneous Wearable and Environmental Data Streams
- Title（参考訳）: グラフベクトル場:不均一なウェアラブルおよび環境データストリームによるマルチモーダルヘルスリスク評価のための統一フレームワーク
- Authors: Silvano Coletti, Francesca Fallucchi,
- Abstract要約: グラフベクトル場(Graph Vector Field, GVF)は、健康リスクを時間変化した単純錯体上のベクトル値場としてモデル化するフレームワークである。
リスクはベクトル値コチェーンとして表現され、その進化はホッジ・ラプラシアンや離散外部計算演算子とパラメータ化される。
本稿では, 数学的基礎, 建築設計, 形式的保証について検討し, 実証検証が進行中の課題である。
- 参考スコア（独自算出の注目度）: 0.7018547803286913
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital health research has advanced dynamic graph-based disease models, topological learning on simplicial complexes, and multimodal mixture-of-experts architectures, but these strands remain largely disconnected. We propose Graph Vector Field (GVF), a framework that models health risk as a vector-valued field on time-varying simplicial complexes, coupling discrete differential-geometric operators with modality-structured mixture-of-experts. Risk is represented as a vector-valued cochain whose evolution is parameterised with Hodge Laplacians and discrete exterior calculus operators, yielding a Helmholtz-Hodge decomposition into potential-driven (exact), circulation-like (coexact), and topologically constrained (harmonic) components linked to interpretable propagation, cyclic, and persistent risk mechanisms. Multimodal inputs from wearable sensors, behavioural/environmental context, and clinical/genomic data are incorporated through a bundle-structured mixture-of-experts in which modality-specific latent spaces are attached as fibres to the base complex. This separates modality-specific from shared contributions and offers a principled route toward modality-level identifiability. GVF integrates geometric dynamical systems, higher-order topology (enforced indirectly via geometric regularisation and Hodge decomposition), and structured multimodal fusion into a single framework for interpretable, modality-resolved risk modelling. This paper develops the mathematical foundations, architectural design, and formal guarantees; empirical validation is the subject of ongoing work.
- Abstract（参考訳）: デジタルヘルス研究は、動的グラフベースの疾患モデル、単体錯体のトポロジカルラーニング、およびマルチモーダル・オブ・エキスパート・アーキテクチャを進歩させてきたが、これらの鎖はいまだにほとんど接続されていない。
本稿では, リスクを時間変化simplicial Complex上のベクトル値場としてモデル化したグラフベクトル場(GVF)を提案する。
リスクは、Holmholtz-Hodge分解を電位駆動(現実)、循環様(共存)、および解釈可能な伝播、循環、持続的リスク機構に関連付けられた位相的制約された(調和)コンポーネントへと分解する、ホッジラプラシア人と離散的外積演算子との進化をパラメータ化したベクトル値コチェーンとして表される。
ウェアラブルセンサ、行動/環境コンテキスト、臨床/ゲノムデータからのマルチモーダル入力は、基本複合体の繊維としてモダリティ特異的な潜伏空間をアタッチしたバンドル構造化ミキシング・オブ・エキスパートによって組み込まれている。
これは、モダリティ固有のコントリビューションと共有コントリビューションを分離し、モダリティレベルの識別可能性への原則的なルートを提供する。
GVFは幾何学力学系、高次トポロジー(幾何学正則化とホッジ分解によって間接的に強化)、構造化された多モード融合を、解釈可能でモジュラリティ解決されたリスクモデリングのための単一のフレームワークに統合する。
本稿では, 数学的基礎, 建築設計, 形式的保証について検討し, 実証検証が進行中の課題である。
関連論文リスト
- Mixture-of-experts Wishart model for covariance matrices with an application to Cancer drug screening [0.8594140167290097]
古典的混合モデルと新しい混合実験ウィッシュアートモデルの両方を通して異種共分散データを解析するための包括的ベイズフレームワークを提案する。
We developed a efficient Gibbs-within-Metropolis-Hastings sample algorithm to the geometry of the Wishart chance and the gating network。
本稿では,がん薬剤感受性プロファイル(がん薬剤感受性プロファイル)という,我々の方法論の革新的な応用を挑戦的データセットに提示する。
論文 参考訳（メタデータ） (2026-02-14T21:07:14Z) - SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳（メタデータ） (2026-01-06T19:47:11Z) - Supervised Learning of Random Neural Architectures Structured by Latent Random Fields on Compact Boundaryless Multiply-Connected Manifolds [0.0]
本稿では,ニューラルネットワークにおける教師あり学習のための新しい確率的フレームワークを提案する。
決定論的入力を強く非ガウス的入力とする複雑な不確実なランダム出力をモデル化するように設計されている。
目的は、ニューラルネットワークが幾何学を意識したフィールド駆動生成プロセスを実現するための、概念的で数学的枠組みを確立することである。
論文 参考訳（メタデータ） (2025-12-11T08:17:12Z) - Geometric-Stochastic Multimodal Deep Learning for Predictive Modeling of SUDEP and Stroke Vulnerability [0.0]
本稿では,脳波,心電図,呼吸,SpO2,EMG,fMRI信号を統合した幾何学的・確率的マルチモーダル深層学習フレームワークを提案する。
予測精度の向上と, 多様体曲率, 分数メモリ指数, 注意エントロピー, 拡散中心性から導かれる解釈可能なバイオマーカーについて検討した。
論文 参考訳（メタデータ） (2025-12-09T05:28:09Z) - scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。
本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文 参考訳（メタデータ） (2025-10-28T21:28:39Z) - Information-theoretic Quantification of High-order Feature Effects in Classification Problems [0.19791587637442676]
特徴重要度(Hi-Fi)法における高次相互作用の情報理論拡張について述べる。
私たちのフレームワークは、機能のコントリビューションをユニークでシナジスティックで冗長なコンポーネントに分解します。
その結果,提案した推定器は理論的および予測された結果を正確に復元することがわかった。
論文 参考訳（メタデータ） (2025-07-06T11:50:30Z) - MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。
モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。
がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-03-01T07:02:30Z) - Geometric Constraints in Probabilistic Manifolds: A Bridge from
Molecular Dynamics to Structured Diffusion Processes [0.0]
ユークリッド空間における任意の幾何制約の集合に厳密に固執する分布からのサンプリングを可能にする手法を提案する。
これは、制約プロジェクション演算子をDenoising Diffusion Probabilistic Modelsのよく考えられたアーキテクチャに統合することで達成される。
論文 参考訳（メタデータ） (2023-07-10T11:31:15Z)
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。