論文の概要: CGM-JEPA: Learning Consistent Continuous Glucose Monitor Representations via Predictive Self-Supervised Pretraining

• arxiv url: http://arxiv.org/abs/2605.00933v1
• Date: Fri, 01 May 2026 02:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.491832
• Title: CGM-JEPA: Learning Consistent Continuous Glucose Monitor Representations via Predictive Self-Supervised Pretraining
• Title（参考訳）: CGM-JEPA:予測自己監督型事前学習による連続グルコースモニター表現の学習
• Authors: Hada Melino Muhammad, Zechen Li, Flora Salim, Ahmed A. Metwally,
• Abstract要約: 継続的なグルコースモニタリングは、初期の代謝のサブフェノタイプを検出することができる。 単一ビュー表現は、デプロイがモダリティや設定を変更すると転送に失敗する。 マスク付き潜在表現を予測する自己教師型事前学習フレームワークであるX-CGM-JEPAを提案する。
• 参考スコア（独自算出の注目度）: 1.2964103249046104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous Glucose Monitoring (CGM) can detect early metabolic subphenotypes (insulin resistance, IR; $β$-cell dysfunction), but population-scale deployment faces two coupled problems. First, the same physiological state appears through multiple views (CGM time series, venous OGTT, Glucodensity summaries), so single-view representations fail to transfer when deployment shifts the modality or setting. Second, baselines perform inconsistently across these shifts. Both problems point to one remedy: representations that abstract away from any single view to capture higher-level temporal and distributional structure. We propose CGM-JEPA, a self-supervised pretraining framework which predicts masked latent representations rather than raw values, yielding abstraction that transfers across modalities. X-CGM-JEPA adds a masked Glucodensity cross-view objective for complementary distributional information. We pretrain on $\sim$389k unlabeled CGM readings from 228 subjects and evaluate on two clinical cohorts ($N=27$ and $N=17$ public-release subsets) across three regimes (cohort generalization, venous-to-CGM transfer, home CGM) under 20-iteration $\times$ 2-fold cross-validation. X-CGM-JEPA ranks first or second on AUROC for both endpoints across all three regimes while no baseline does, exceeding the strongest baseline by up to $+6.5$ pp in cohort generalization and $+3.6$ pp in venous-to-CGM transfer (paired Wilcoxon, $p<0.001$). Under modality shift, it matches mean AUROC while redistributing toward weaker subgroups (ethnicity AUROC gap shrinks 25-54%); on sparse in-domain venous data, the distributional view lifts label-aware clustering (ARI $+39\%$, NMI $+40\%$). Code and weights: https://github.com/cruiseresearchgroup/CGM-JEPA
• Abstract（参考訳）: 連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)は、早期代謝性亜フェノタイプ(インスリン抵抗性、IR、β$-cell機能不全)を検出することができるが、集団規模の展開は2つの複合問題に直面している。 まず、同じ生理状態が複数のビュー(CGMの時系列、静脈性OGTT、Glucodensityの要約)を通して現れるため、単一ビューの表現は、展開がモダリティや設定を変更するときに移動しない。 第2に、ベースラインはこれらのシフトに対して矛盾なく実行される。 どちらの問題も一つの方法を示している: 特定の視点から抽象化して高レベルの時間的構造と分布的構造を捉える表現。 本稿では,自己教師型事前学習フレームワークであるCGM-JEPAを提案する。 X-CGM-JEPAは、相補的な分布情報のためのマスク付きGlucodensityクロスビューの目的を付加する。 我々は,228名の被験者から得られた389kドルの未ラベルCGMを事前訓練し,20ドル分の2倍のクロスバリデーション(コホート一般化,静脈-CGM移行,ホームCGM)で3つの体制(コホート一般化,静脈-CGM移行,家庭CGM)にわたる2つの臨床コホート(N=27ドルとN=17ドル公開サブセット)を評価した。 X-CGM-JEPAはAUROCで3つの体制の両端で1位または2位にランクインするが、ベースラインは存在せず、コホート一般化では最大で$6.5$ pp、静脈-CGM転送では$3.6$ ppを上回っている(Wilkoxon, $p<0.001$)。 モダリティシフトの下では、AUROCの平均値と一致し、より弱いサブグループ(民族性AUROCギャップは25～54%縮小)に再分配される。 コードとウェイト:https://github.com/cruiseresearchgroup/CGM-JEPA

関連論文リスト

• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• GMGaze: MoE-Based Context-Aware Gaze Estimation with CLIP and Multiscale Transformer [8.412980809680471]
  我々は,グローバル条件付きマルチスケール・ゲイズ推定(GMGaze)を提案し,現行手法における3つの課題に対処する。 GMGaze は平均角誤差を 2.49$circ$, 3.22$circ$, 10.16$circ$, 1.44$circ$ とする。 クロスドメイン評価では、2つの標準転送ルートに対して最先端(SOTA)結果を提供する。
  論文  参考訳（メタデータ） (2026-05-01T17:35:17Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
  マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
  論文  参考訳（メタデータ） (2026-04-01T14:50:18Z)
• SA-CycleGAN-2.5D: Self-Attention CycleGAN with Tri-Planar Context for Multi-Site MRI Harmonization [3.5109108807229403]
  本稿では,Ben-David らによる$HH$-divergence 境界によるドメイン適応フレームワーク SA-CycleGAN-2.5D を提案する。 2D効率と3D一貫性をブリッジすることで,腫瘍の病態を保ったボクセルレベルの高調波画像が得られる。
  論文  参考訳（メタデータ） (2026-03-17T23:49:46Z)
• Not Just How Much, But Where: Decomposing Epistemic Uncertainty into Per-Class Contributions [1.2891210250935148]
  安全クリティカルな分類では、失敗のコストはしばしば非対称である。 MI をクラスごとのベクトル $C_k(x)=_k2/ (2_k)$, $_k=mathbbE[p_k]$ と $_k2=mathrmVar[p_k]$ に分解する。
  論文  参考訳（メタデータ） (2026-02-24T18:05:51Z)
• Near-Optimal Clustering in Mixture of Markov Chains [74.3828414695655]
  我々は、長さ$H$の軌跡を、大きさ$S$の有限状態空間上の未知のエルゴードマルコフ鎖の1つによって生成される、$T$ trajectories of length $H$の問題を研究する。 我々は、連鎖の遷移核間の重み付きKL分散によって支配されるクラスタリングエラー率に基づいて、インスタンス依存で高い確率の低い境界を導出する。 次に,新しい2段階クラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-02T05:10:40Z)
• Transformer-Enhanced Iterative Feedback Mechanism for Polyp Segmentation [3.017482151674131]
  大腸内視鏡画像からポリープを正確に分割する先進的なエンコーダデコーダネットワークであるtextittextbfacFANet2 を導入する。 FANetv2は、新たなフィードバックアテンション機構を通じて、バイナリセグメンテーションマスクを反復的に洗練する。 ポリプの個数(1個または複数)とサイズ(小、中、大)に関する必須情報を統合し、その特徴表現能力をさらに強化する。
  論文  参考訳（メタデータ） (2024-08-25T02:39:45Z)
• Clustered Switchback Designs for Experimentation Under Spatio-temporal Interference [44.644520116360106]
  我々は, 平均治療効果 (GATE) を推定し, 全単位を常に治療やコントロールに曝露した平均結果の差を推定した。 そこで我々は,単位をクラスタにグループ化し,時間ステップをブロックにグループ化する,クラスタ化されたスイッチバック設計を提案する。 良好なクラスタリングを許容するグラフに対して, トラッピングされたHorvitz-Thompson推定器が$tilde O(1/NT)$平均二乗誤差(MSE)を達成することを示す。 我々の結果は、citethu2022switchback、ugander2013graph、citetleung2022rateの結果を同時に一般化する。
  論文  参考訳（メタデータ） (2023-12-25T01:00:58Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)

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。