論文の概要: ReTAMamba: Reliability-Aware Temporal Aggregation with Mamba for Irregular Clinical Time Series Prediction

• arxiv url: http://arxiv.org/abs/2605.16380v1
• Date: Mon, 11 May 2026 02:39:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.308039
• Title: ReTAMamba: Reliability-Aware Temporal Aggregation with Mamba for Irregular Clinical Time Series Prediction
• Title（参考訳）: ReTAMamba:不規則な臨床時系列予測のためのMambaを用いた信頼性を考慮した時間的凝集
• Authors: Jinwoong Kim, Sangjin Park,
• Abstract要約: 臨床時系列データは、不規則なサンプリング、頻繁な欠落値、不均一な観察パターンを示すため、モデル化が困難である。 既存のアプローチでは、観測マスクとタイムギャップ情報を用いることが多いが、過去の観測の信頼性の低下を継続的に捉えているわけではない。 我々は,臨床時系列を時間可変トークンシーケンスとして再構成したMambaを用いた信頼性を考慮したテンポラルアグリゲーションを提案する。
• 参考スコア（独自算出の注目度）: 3.5795275871379704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical time-series data are difficult to model with methods designed for regular sequences because they exhibit irregular sampling, frequent missing values, and heterogeneous observation patterns across variables. Existing approaches commonly use observation masks and time-gap information, but they do not continuously capture the decaying reliability of past observations or consistently organize multi-resolution information within a coherent temporal context during aggregation. To address these limitations, we propose Reliability-aware Temporal Aggregation with Mamba (ReTAMamba), which reconstructs clinical time series as time-variable token sequences, estimates observation reliability from missingness and elapsed time, and augments interval summaries with statistical descriptors. Chronological Weaving is used to integrate short- and long-term temporal information within a coherent temporal context, and a budgeted token router is applied to constrain sequence length while preserving informative summaries. Experiments on MIMIC-IV, eICU, and PhysioNet 2012 show that ReTAMamba consistently improves AUPRC over strong baselines, with average relative gains of 7.51%, 7.80%, and 10.15%, respectively. Cohort-level and patient-level analyses on eICU further showed that the learned mean decay for more dynamic signals, such as heart rate and blood pressure, was 24.3% larger than that for relatively static signals, such as laboratory test variables. These findings suggest that effective prediction in irregular clinical time series requires modeling not only what was measured, but also when and how it was observed, including information freshness and observation timeliness.
• Abstract（参考訳）: 臨床時系列データは、不規則なサンプリング、頻繁な欠落値、変数間の不均一な観察パターンを示すため、通常のシーケンス用に設計された手法でモデル化することは困難である。 既存のアプローチでは、観測マスクとタイムギャップ情報を用いることが多いが、過去の観測の信頼性の低下を連続的に捉えたり、凝集中のコヒーレントな時間的文脈内で多次元情報を一貫して整理したりはしない。 これらの制約に対処するため,Reliability-aware Temporal Aggregation with Mamba (ReTAMamba)を提案する。 時系列ウィービングは、コヒーレントな時間的文脈内で、短期および長期の時間的情報を統合するために使用され、情報的要約を保存しつつ、制約シーケンス長に予算付きトークンルータを適用する。 MIMIC-IV、eICU、PhystoNet 2012の実験では、ReTAMambaは強いベースラインよりもAUPRCを一貫して改善し、それぞれ7.51%、7.80%、そして10.15%の相対的な増加を示した。 eICUのコホートレベルおよび患者レベルの分析により、学習された平均崩壊は、心拍数や血圧などのよりダイナミックな信号に対して、実験室のテスト変数のような比較的静的な信号よりも24.3%大きいことが示された。 これらの結果から,不規則な臨床時系列における効果的な予測には,測定対象だけでなく,情報更新性や観察スケジュールなど,いつ,どのように観察されたかのモデリングが必要であることが示唆された。

関連論文リスト

• MATA-Former & SIICU: Semantic Aware Temporal Alignment for High-Fidelity ICU Risk Prediction [8.92515305370631]
  本稿では,予測モデリングを臨床論理と整合させる枠組みを提案する。 我々は,二項分類を連続的多軸回帰に変換するためのプラトー・ガウスソフトラベリング(PSL)を導入する。 本フレームワークは,テキスト集約的,不規則な臨床時系列からリスクを捕捉する上で,優れた有効性と堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2026-04-02T07:45:52Z)
• Benchmarking LLM Summaries of Multimodal Clinical Time Series for Remote Monitoring [6.415950855665798]
  大規模言語モデル(LLMs)は遠隔治療監視時系列の流動的な臨床要約を生成することができる。 既存の評価指標は主に意味的類似性と言語的品質に重点を置いており、事象レベルの正確性はほとんど測定されていない。 本稿では,TIHM(Technology-Integrated Health Management)-1.5認知症モニタリングデータセットを用いたマルチモーダル時系列要約のためのイベントベース評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-02T07:33:11Z)
• Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
  CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。 CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。 彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
  論文  参考訳（メタデータ） (2026-02-10T11:46:15Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Mind the Missing: Variable-Aware Representation Learning for Irregular EHR Time Series using Large Language Models [0.6554326244334866]
  VITAL(VITAL)は、不規則にサンプリングされた生理的時系列から学習するのに適した可変対応大規模言語モデル(LLM)ベースのフレームワークである。 言語空間に重要な記号をリプログラミングし、LLMが時間的文脈を捉え、欠落した値に対する推論を可能にする。 高レベルの欠如の下では堅牢なパフォーマンスを維持しており、これは実際の臨床シナリオでよく見られる。
  論文  参考訳（メタデータ） (2025-09-26T09:44:16Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Self-supervised Transformer for Multivariate Clinical Time-Series with Missing Values [7.9405251142099464]
  本稿ではSTraTS(Self-supervised Transformer for TimeSeries)モデルを提案する。 伝統的な密度行列表現を使う代わりに、時系列を観測三重項の集合として扱う。 これは、特にラベル付きデータが制限された場合、死亡予測の最先端手法よりも優れた予測性能を示す。
  論文  参考訳（メタデータ） (2021-07-29T19:39:39Z)
• Multi-view Integration Learning for Irregularly-sampled Clinical Time Series [1.9639092030562577]
  不規則な時系列データからの多視点機能統合学習をインピーダンスフリーで自己保持機構で提案する。 我々は,観測値の関連性,指標の欠如,連続観測間の時間間隔を同時に学習する。 我々は,マルチビュー観察における相互関係の表現学習を促進するために,注意に基づくデコーダを欠落値インプタとして構築する。
  論文  参考訳（メタデータ） (2021-01-25T10:02:50Z)

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。