論文の概要: Differentiable latent structure discovery for interpretable forecasting in clinical time series

• arxiv url: http://arxiv.org/abs/2604.27967v1
• Date: Thu, 30 Apr 2026 14:59:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.152976
• Title: Differentiable latent structure discovery for interpretable forecasting in clinical time series
• Title（参考訳）: 臨床時系列における解釈可能な予測のための潜時構造探索
• Authors: Ivan Lerner, Jean Feydy, Alexandre Kalimouttou, Anita Burgun, Francis Bach,
• Abstract要約: 連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
• 参考スコア（独自算出の注目度）: 38.473526928012724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Timely, uncertainty-aware forecasting from irregular electronic health records (EHR) can support critical-care decisions, yet most approaches either impute to a grid or sacrifice interpretability. We introduce StructGP, a continuous-time multi-task Gaussian process that couples process convolutions with differentiable structure learning to uncover a sparse, ordered directed acyclic graph (DAG) of inter-variable dependencies while preserving principled uncertainty. We further propose LP-StructGP, which augments StructGP with latent pathways-shared, temporally shifted trajectories inferred via subject-specific coupling filters and a softmax gating mechanism-to capture cross-patient progression patterns. Both models are trained under sparsity and acyclicity constraints (augmented Lagrangian, Adam) using scalable low-rank updates. Results: In simulations, the approach reliably recovers ground-truth graphs (Structural Hamming Distance approaching 0 as cohorts grow) and pathway assignments (high Adjusted Rand Index). On a MIMIC-IV septic shock cohort (n=1,008; norepinephrine, creatinine, mean arterial pressure), StructGP improves short-horizon (6 h) forecasting over independent-task baselines (average RMSE 0.68 [95%CI: 0.63--0.74] vs. 0.88 [0.83-0.94]) and, with 15 additional inputs, markedly outperforms unstructured kernels (0.63 [0.58-0.69] vs. 3.02 [2.85-3.18]) with superior calibration (coverage 0.96 vs. 0.84). On the PhysioNet Challenge (12k patients, 41 variables), StructGP attains competitive accuracy (MAE 3.72e-2) relative to a state-of-the-art graph neural model while maintaining calibrated uncertainty. Conclusion: These results show that structured process convolutions with latent pathways deliver interpretable, scalable, and well-calibrated forecasting for irregular clinical time series.
• Abstract（参考訳）: 背景: 時折、不規則な電子健康記録(EHR)からの不確実性を認識した予測は、クリティカルケアの決定を支持することができるが、ほとんどのアプローチは、グリッドに差し迫ったか、解釈可能性の犠牲になるかのいずれかである。 本稿では,連続時間多タスクガウスプロセスであるStructGPを紹介した。このプロセスは,プロセスの畳み込みと異なる構造学習を結合して,基本的不確かさを保ちながら,多変数依存関係の非巡回グラフ(DAG)を順序付けしたスパース(sparse)を探索する。 また, LP-StructGPは, 被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて, 患者間の進行パターンを捉えることによってStructGPを増強する。 どちらのモデルも、スケーラブルな低ランク更新を使用して、スパーシリティと非循環性制約(強化されたラグランジアン、アダム)の下でトレーニングされている。 結果:本手法は,コホートの増加に伴って0に近づく構造的ハミング距離 (Structural Hamming Distance) ) と経路割当 (High Adjusted Rand Index) を確実に回復する。 MIMIC-IV の敗血症性ショックコホート (n=1,008; norepinephrine, creatinine, mean arterial pressure) では、StructGP は独立タスクベースライン (平均 RMSE 0.68 [95%CI: 0.63-0.74] vs. 0.88 [0.83-0.94]) よりも短いホライゾン (6 h) を予測し、さらに15の入力は非構造カーネル (0.63 [0.58-0.69] vs. 3.02 (2.85-3.18]) よりも優れたキャリブレーション (overage 0.96 vs 0.84) を著しく上回る。 PhysioNet Challenge (12k患者41変数)では、StructGPは、校正された不確実性を保ちながら、最先端のグラフニューラルモデルと比較して、競争精度(MAE 3.72e-2)を達成している。 結論: これらの結果は, 遅延経路による構造化プロセスの畳み込みが, 不規則な臨床時系列の解釈可能, スケーラブル, 校正的予測をもたらすことを示している。

関連論文リスト

• Training-inference input alignment outweighs framework choice in longitudinal retinal image prediction [3.0602131532925436]
  近年の手法は, 生成複雑性の増大に向かっているが, この複雑さが要求される条件はいまだ不明である。 生成複雑性は予測可能なタスクの条件付き後続成分のエントロピーと一致し,全てのレシスタンスでトレーニング・推論入力アライメントが要求される。 我々は,この枠組みを5つの構成を対比して,立方体自己蛍光データセット上で検証した。
  論文  参考訳（メタデータ） (2026-04-18T10:28:00Z)
• Diagnosing Heteroskedasticity and Resolving Multicollinearity Paradoxes in Physicochemical Property Prediction [0.2330146832085843]
  PubChem, ChEMBL, eMoleculesデータベースから426,850個の生物活性分子を解析した。 計算された logP 値を予測する線形モデルでは, 重度のヘテロスケダスト性が確認された。 木に基づくアンサンブル法は本質的にヘテロスケダスティック性に強く,予測性能は優れていた。
  論文  参考訳（メタデータ） (2025-12-31T05:32:13Z)
• CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
  本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。 エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。 データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
  論文  参考訳（メタデータ） (2025-11-20T03:38:46Z)
• Unsupervised Cycle Detection in Agentic Applications [7.001329254828447]
  大規模言語モデルを利用したエージェントアプリケーションは、非決定的な振る舞いを示し、隠れた実行サイクルを形成する。 従来の可観測性プラットフォームは、これらのコストのかかる非効率性を検出することができません。 構造解析と意味解析を組み合わせた教師なしサイクル検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-31T13:27:53Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• Enhancing ALS Progression Tracking with Semi-Supervised ALSFRS-R Scores Estimated from Ambient Home Health Monitoring [3.210027230758067]
  自己注意は、サブスケールレベルのモデルで最小の予測誤差を達成した。 機能領域にまたがる特異な均一性-均一性プロファイルを同定した。
  論文  参考訳（メタデータ） (2025-07-13T02:56:40Z)
• NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification [42.418429168532406]
  我々はベイズの不確実性定量化を取り入れた最初のディープサバイバルモデルであるNeuralSurvを紹介する。 モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。 実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供する。
  論文  参考訳（メタデータ） (2025-05-16T09:53:21Z)
• Spectral structure learning for clinical time series [0.895367781592174]
  臨床時系列の構造化学習アルゴリズムを開発し,評価する。 臨床時系列は、複数の患者で観察され、不規則にサンプリングされた多変量時系列である。 本稿では,異なる時系列規則性に柔軟に対応する時系列依存モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-17T11:13:39Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)

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。