Fugu-MT 論文翻訳(概要): Prior-Fitted Functional Flow: In-Context Generative Models for Pharmacokinetics

論文の概要: Prior-Fitted Functional Flow: In-Context Generative Models for Pharmacokinetics

arxiv url: http://arxiv.org/abs/2604.17670v1
Date: Sun, 19 Apr 2026 23:45:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-21 21:52:52.63045
Title: Prior-Fitted Functional Flow: In-Context Generative Models for Pharmacokinetics
Title（参考訳）: 予め設定された機能フロー:薬物動態の文脈生成モデル
Abstract要約: 我々は,全人口のスパースで不規則なデータに基づいて,機能ベクトル場を学習する。これにより、コヒーレントな仮想コホートの生成と、校正された不確実性のある部分的に観察された患者軌道の予測が可能になる。オープンアクセス型文献コーパスを新たに構築し,より広範な実世界のデータセットに対する最先端の予測精度を実証する。
参考スコア（独自算出の注目度）: 7.3184262539544305
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce Prior-Fitted Functional Flows, a generative foundation model for pharmacokinetics that enables zero-shot population synthesis and individual forecasting without manual parameter tuning. We learn functional vector fields, explicitly conditioned on the sparse, irregular data of an entire study population. This enables the generation of coherent virtual cohorts as well as forecasting of partially observed patient trajectories with calibrated uncertainty. We construct a new open-access literature corpus to inform our priors, and demonstrate state-of-the-art predictive accuracy on extensive real-world datasets.
Abstract（参考訳）: 手動パラメータ調整なしでゼロショット集団合成と個人予測を可能にする薬物動態の生成基盤モデルであるPreside-Fitted Functional Flowsを導入する。我々は,全人口のスパースで不規則なデータに基づいて,機能ベクトル場を学習する。これにより、コヒーレントな仮想コホートの生成と、校正された不確実性のある部分的に観察された患者軌道の予測が可能になる。オープンアクセス型文献コーパスを新たに構築し,より広範な実世界のデータセットに対する最先端の予測精度を実証する。

関連論文リスト

Flow Matching with In-Context Priors for Out-of-Distribution Brain Dynamics [0.0]
本研究では,認識タスク中に現実的なfMRI脳のダイナミクスを生成するための,時間ステップごとの条件付き拡散変換器を提案する。我々は,何百ものタスク条件を評価し,トレーニング多様体との関係で予測性能を特徴付ける。これは、未確認の認知タスクのための全皮質fMRIダイナミクスの最初の生成モデルである。
論文参考訳（メタデータ） (2026-06-10T09:15:33Z)
Active Flow Expansion for Out-of-Distribution Discovery: from Theory to Molecules [62.81692030818376]
本稿では,モデルの生成可能な集合を拡大し,有効設計空間のカバレッジを増大させる,分散フローモデリングのための新しい学習原理を提案する。本稿では, 検証器フィードバックを用いて, 新しい有効領域に事前学習モデルを拡張する, 継続的な事前学習手法であるアクティブフロー拡張(ActFlow)を提案する。その結果、ActFlowは、初期訓練済みモデルによってモデル化された領域を超えて、有効な範囲を広げ、広く採用されている合成フロー事前学習法よりもはるかに優れていることがわかった。
論文参考訳（メタデータ） (2026-06-07T19:43:22Z)
Amortized In-Context Mixed Effect Transformer Models: A Zero-Shot Approach for Pharmacokinetics [0.0]
Amortized In-Context Mixed-Effect Transformer (AICMET) モデルを提案する。メカニカル・コンパートメンタル・プレファレンスと、文脈内ベイズ推論とを統一する。実験の結果,AICMETは最先端の予測精度を達成し,患者間の変動を忠実に定量化することがわかった。
論文参考訳（メタデータ） (2025-08-21T15:45:17Z)
Valid Inference with Imperfect Synthetic Data [39.10587411316875]
モーメントの一般化法に基づく新しい推定器を提案する。合成データのモーメント残差と実データのモーメント間の相互作用は、対象パラメータの推定を大幅に改善できることがわかった。
論文参考訳（メタデータ） (2025-08-08T18:32:52Z)
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)
Consistent World Models via Foresight Diffusion [56.45012929930605]
我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
論文参考訳（メタデータ） (2025-05-22T10:01:59Z)
Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
論文参考訳（メタデータ） (2024-09-13T02:23:55Z)
Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。時間間隔推定を組み込んだ拡散モデルである。我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文参考訳（メタデータ） (2024-06-20T02:20:23Z)
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)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
Drug Discovery under Covariate Shift with Domain-Informed Prior Distributions over Functions [30.305418761024143]
実世界の薬物発見タスクは、しばしばラベル付きデータの不足とかなりの範囲のデータによって特徴づけられる。我々は、データ生成プロセスの明示的な事前知識を事前分布にエンコードする原理的な方法を提案する。我々は,Q-SAVIを組み込んで,事前知識のような化学空間をモデリングプロセスに組み込むことで,相当な精度と校正が可能であることを実証した。
論文参考訳（メタデータ） (2023-07-14T05:01:10Z)
A Generative Modeling Framework for Inferring Families of Biomechanical Constitutive Laws in Data-Sparse Regimes [0.15658704610960567]
本稿では,データスパース体制における関係の家族を効率的に推定する新しい手法を提案する。機能的先行概念に着想を得て,ニューラル演算子をジェネレータとし,完全接続ネットワークを敵判別器として組み込んだ生成ネットワーク(GAN)を開発した。
論文参考訳（メタデータ） (2023-05-04T22:07:27Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。