論文の概要: DBGL: Decay-aware Bipartite Graph Learning for Irregular Medical Time Series Classification

• arxiv url: http://arxiv.org/abs/2604.11842v1
• Date: Sun, 12 Apr 2026 14:43:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.021246
• Title: DBGL: Decay-aware Bipartite Graph Learning for Irregular Medical Time Series Classification
• Title（参考訳）: DBGL:不規則な医療時系列分類のための2部グラフ学習
• Authors: Jian Chen, Yuzhu Hu, Xiaoyan Yuan, Yuxuan Hu, Jinfeng Xu, Yipeng Du, Wenhao Yuan, Wei Wang, Edith C. H. Ngai,
• Abstract要約: 本稿では,DBGL,Decay-Aware Bipartite Graph Learning for Irregular Medical Time Seriesを紹介する。 DBGLはまず患者可変二部グラフを導入し、人工的なアライメントなしに不規則なサンプリングパターンを同時にキャプチャする。 次に、サンプリング間隔に基づいて各変数の減衰率をキャプチャするノード固有時間減衰符号化機構を設計する。
• 参考スコア（独自算出の注目度）: 12.905652027049866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Irregular Medical Time Series play a critical role in the clinical domain to better understand the patient's condition. However, inherent irregularity arising from heterogeneous sampling rates, asynchronous observations, and variable gaps poses key challenges for reliable modeling. Existing methods often distort temporal sampling irregularity and missingness patterns while failing to capture variable decay irregularity, resulting in suboptimal representations. To address these limitations, we introduce DBGL, Decay-Aware Bipartite Graph Learning for Irregular Medical Time Series. DBGL first introduces a patient-variable bipartite graph that simultaneously captures irregular sampling patterns without artificial alignment and adaptively models variable relationships for temporal sampling irregularity modeling, enhancing representation learning. To model variable decay irregularity, DBGL designs a novel node-specific temporal decay encoding mechanism that captures each variable's decay rates based on sampling interval, yielding a more accurate and faithful representation of irregular temporal dynamics. We evaluate the performance of DBGL on four publicly available datasets, and the results show that DBGL outperforms all baselines.
• Abstract（参考訳）: 不規則な医療時間シリーズは、患者の状態をよりよく理解するために臨床領域において重要な役割を果たす。 しかし、不均一サンプリング率、非同期観測、および変動ギャップから生じる固有の不規則性は、信頼できるモデリングにとって重要な課題である。 既存の方法では、時間的サンプリングの不規則性や不規則性パターンを歪ませる一方で、不安定な減衰不規則性を捉えることができず、結果として準最適表現をもたらす。 これらの制限に対処するために、不規則な医療時間シリーズのためのDBGL、Decay-Aware Bipartite Graph Learningを紹介する。 DBGLは、まず患者可変二部グラフを導入し、人工アライメントなしで不規則なサンプリングパターンを同時にキャプチャし、時間的サンプリング不規則性モデリングのための可変関係を適応的にモデル化し、表現学習を強化する。 変数の減衰不規則性をモデル化するために、DBGLは、各変数の減衰率をサンプリング間隔に基づいてキャプチャし、不規則な時間的ダイナミクスをより正確かつ忠実に表現する、新しいノード固有の時間的減衰符号化機構を設計した。 公開されている4つのデータセットにおけるDBGLの性能を評価し,DBGLがすべてのベースラインより優れていることを示す。

関連論文リスト

• A Statistical Approach for Modeling Irregular Multivariate Time Series with Missing Observations [21.49782595218257]
  不十分な値を持つ不規則な時系列は、医療などの領域における予測モデリングに重大な課題をもたらす。 本手法は,観測値の標準偏差と,連続観測における変化の平均と変動率の4つの重要な特徴を計算した。 AUROC/AUPRCは0.5-1.7%、F1スコアは1.1-1.7%である。
  論文  参考訳（メタデータ） (2026-02-23T05:48:17Z)
• A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification [0.0]
  隠れ状態表現における時間的一貫性を強制する規則化された正規化戦略を導入するための表現一貫性を持つゲートリカレントフレームワーク(RC-GRF)を提案する。 提案するフレームワークはモデルに依存しないため,内部ゲーティング機構を変更することなく,既存のゲート型リカレントアーキテクチャに統合することができる。
  論文  参考訳（メタデータ） (2026-02-10T17:16:49Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• ReTimeCausal: EM-Augmented Additive Noise Models for Interpretable Causal Discovery in Irregular Time Series [32.21736212737614]
  本稿では, 金融, 医療, 気候科学などの高度領域における不規則サンプル時系列における因果発見について検討する。 ReTimeCausalは,物理誘導型データ計算と疎因性推論を統一する付加雑音モデル(ANM)と期待最大化(EM)の新たな統合である。
  論文  参考訳（メタデータ） (2025-07-04T05:39:50Z)
• WaveGNN: Modeling Irregular Multivariate Time Series for Accurate Predictions [3.489870763747715]
  実世界の時系列は、しばしば不整合タイムスタンプ、欠落したエントリ、可変サンプリングレートなどの不規則性を示す。 既存のアプローチは、しばしばバイアスを生じさせる計算に頼っている。 本稿では,不規則にサンプリングされた時系列データを埋め込んで正確な予測を行う新しいフレームワークWaveGNNを提案する。
  論文  参考訳（メタデータ） (2024-12-14T00:03:44Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Efficient Variational Bayesian Structure Learning of Dynamic Graphical Models [19.591265962713837]
  時間変化のグラフィカルモデルの推定は、様々な社会的、経済的、生物学的、工学的システムにおいて最重要となる。 既存の手法では、グラフの間隔と時間的滑らかさを制御するパラメータを広範囲にチューニングする必要がある。 我々はBADGEという低複素性チューニング自由ベイズアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-16T14:19:23Z)

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。