論文の概要: Personalized Digital Health Modeling with Adaptive Support Users

• arxiv url: http://arxiv.org/abs/2605.02004v1
• Date: Sun, 03 May 2026 18:23:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.039856
• Title: Personalized Digital Health Modeling with Adaptive Support Users
• Title（参考訳）: 適応型サポートユーザによる個人化されたデジタルヘルスモデリング
• Authors: Zhongqi Yang, Mahkameh Rasouli, Neda Mohseni, Yong Huang, Iman Azimi, Amir M. Rahmani,
• Abstract要約: 適応的に重み付けされたサポートユーザを用いて個人モデルを訓練する統合パーソナライズフレームワークを提案する。 4つの実際のデジタルヘルスデータセットにわたる6つのタスクの実験は、人口とパーソナライズされたベースラインに対して一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 2.31112853265718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized models are essential in digital health because individuals exhibit substantial physiological and behavioral heterogeneity. Yet personalization is limited by scarce and noisy user-specific data. Most existing methods rely on population pretraining or data from similar users only, which can lead to biased transfer and weak generalization. We propose a unified personalization framework that trains a personal model using adaptively weighted support users, including both similar and dissimilar individuals. The objective integrates personal loss, similarity-weighted transfer from similar users, and contrastive regularization from dissimilar users to suppress misleading correlations. An iterative optimization algorithm jointly updates model parameters and user similarity weights. Experiments on six tasks across four real-world digital health datasets show consistent improvements over population and personalized baselines. The method achieves up to 10% lower RMSE on large-scale datasets and approximately 25% lower RMSE in low-data settings. The learned adaptive weights improve data efficiency and provide interpretable guidance for targeted data selection.
• Abstract（参考訳）: パーソナライズドモデル(Personalized model)は、個人が実質的な生理的および行動的不均一性を示すため、デジタルヘルスにおいて不可欠である。 しかしパーソナライゼーションは、希少でノイズの多いユーザ固有のデータによって制限される。 既存のほとんどの手法は、人口事前訓練や類似ユーザーのデータのみに依存しており、バイアスのある転送と弱い一般化につながる可能性がある。 適応的に重み付けされたサポートユーザを用いて個人モデルを訓練する統合パーソナライゼーションフレームワークを提案する。 この目的は、類似ユーザからの個人的損失、類似ユーザからの類似性重み付き転送、異種ユーザからの対照的な正規化を統合して、誤解を招く相関を抑えることである。 反復最適化アルゴリズムは、モデルパラメータとユーザ類似度重みを共同で更新する。 4つの実際のデジタルヘルスデータセットにわたる6つのタスクの実験は、人口とパーソナライズされたベースラインに対して一貫した改善を示している。 提案手法は,大規模データセットでは最大10%低いRMSE,低データ設定では約25%低いRMSEを実現する。 学習された適応重みは、データ効率を改善し、ターゲットデータ選択のための解釈可能なガイダンスを提供する。

関連論文リスト

• One Adapts to Any: Meta Reward Modeling for Personalized LLM Alignment [55.86333374784959]
  これらの制約に対処するには、データの適合からユーザの好みを学習し、嗜好適応のプロセスを学ぶためのパラダイムシフトが必要である、と我々は主張する。 メタ学習問題としてパーソナライズされた報酬モデルを変更するメタリワードモデリング(MRM)を提案する。 MRMはパーソナライズを強化し、ユーザの堅牢性を向上し、ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-01-26T17:55:52Z)
• Lightweight Inference-Time Personalization for Frozen Knowledge Graph Embeddings [0.0]
  GatedBiasは知識グラフのための軽量な推論時パーソナライズフレームワークである。 プロファイル固有の機能は、グラフ由来のバイナリゲートと組み合わせて、解釈可能な、パーエンタリティバイアスを生成する。 2つのベンチマークデータセット上でGatedBiasを評価する。
  論文  参考訳（メタデータ） (2025-12-26T22:30:37Z)
• Evolved SampleWeights for Bias Mitigation: Effectiveness Depends on Optimization Objectives [0.36569643583149225]
  実世界のデータに基づいてトレーニングされた機械学習モデルは、必然的に偏見のある予測を生み出す可能性がある。 重み付け(reweighting)は、モデルトレーニングで使用される各データポイントに重みを割り当てることで、モデル予測におけるそのようなバイアスを軽減する方法である。 進化したサンプル重みは、代替重み付け法よりも公正度と予測性能のトレードオフが良いモデルを生成することができることを示す。
  論文  参考訳（メタデータ） (2025-11-25T22:50:59Z)
• Towards Understanding Valuable Preference Data for Large Language Model Alignment [85.38864561060088]
  大規模言語モデル(LLM)のアライメントは通常、人間の好みの比較から学習することで達成される。 新たに提案したTruncated Influence Function (TIF) を用いた検証データに対する個人の影響によるデータ品質の評価を行う。 この目的のために、我々はそれらを組み合わせ、様々なエラーソースをオフセットし、単純だが効果的なデータ選択ルールをもたらす。
  論文  参考訳（メタデータ） (2025-10-15T06:57:55Z)
• Filtering with Confidence: When Data Augmentation Meets Conformal Prediction [10.431187957711206]
  本稿では,合成データ拡張のための基本データフィルタリングフレームワークを提案する。 F1スコアの最大40%の一貫性のあるパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2025-09-25T19:42:02Z)
• ACME: Adaptive Customization of Large Models via Distributed Systems [7.358399967930416]
  本稿では,Transformerベースの大規模モデルの適応的カスタマイズ手法であるACMEを提案する。 ACMEはモデルサイズ制約の下でコスト効率の高いモデルを実現する。 平均精度はベースラインに比べて10%向上する。
  論文  参考訳（メタデータ） (2025-07-20T03:30:24Z)
• NextQuill: Causal Preference Modeling for Enhancing LLM Personalization [82.15961484963256]
  因果選好モデルに基づく新しいパーソナライズフレームワークであるNextQuillを紹介する。 この洞察に基づいて、NextQuillは2つの補完的なアライメント戦略を導入した。 複数のパーソナライズベンチマークの実験により、NextQuillはパーソナライズ品質を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-06-03T02:08:55Z)
• FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors [50.131271229165165]
  Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。 ユーザの行動、好み、デバイス特性の相違から生じるデータの異質性は、連合学習にとって重要な課題である。 本稿では,学習過程におけるクライアントベクトルに基づくアダプティブ重み付けを適応的に調整する手法であるAdaptive Weight Aggregation (FedAWA)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T04:49:40Z)
• Test-Time Alignment via Hypothesis Reweighting [56.71167047381817]
  大規模な事前訓練されたモデルは、しばしば未指定のタスクで苦労する。 テストタイムのユーザ意図にモデルを整合させるという課題に対処する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-11T23:02:26Z)
• Enhancing Performance for Highly Imbalanced Medical Data via Data Regularization in a Federated Learning Setting [6.22153888560487]
  本手法の目的は,心血管疾患予測のためのモデル性能を向上させることである。 本手法は, 心臓血管疾患予測のための4つのデータセットにまたがって評価され, 異なるクライアントに分散している。
  論文  参考訳（メタデータ） (2024-05-30T19:15:38Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)

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。