論文の概要: TreeText-CTS: Compact, Source-Traceable Tree-Path Evidence for Irregular Clinical Time-Series Prediction

• arxiv url: http://arxiv.org/abs/2605.20292v1
• Date: Tue, 19 May 2026 09:30:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.276594
• Title: TreeText-CTS: Compact, Source-Traceable Tree-Path Evidence for Irregular Clinical Time-Series Prediction
• Title（参考訳）: TreeText-CTS:不規則な臨床時系列予測のためのコンパクトでソース追跡可能なツリーパスエビデンス
• Authors: Kwanhyung Lee, Juhwan Choi, Jongheon Kim, Joohyung Lee, Hyeongwon Jang, Eunho Yang,
• Abstract要約: TreeText-CTSは不規則なEHRトラジェクトリを、可読でコンパクトで、ソース追跡可能なツリーパスエビデンスユニットに変換する。 TreeText-CTS はテキストベースの EHR 時系列インタフェースの中で最高の AUROC と AUPRC を実現する。
• 参考スコア（独自算出の注目度）: 39.56028253226743
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Numerical time-series models can effectively process irregular electronic health record (EHR) trajectories, but they do not naturally expose the measurements and temporal patterns supporting each risk estimate as readable evidence. Existing text-based interfaces improve readability, but typically rely on either raw serialization, which is lengthy and redundant, or patient-level free-form summaries, which are difficult to trace to source measurements and time windows. To bridge this gap, we introduce TreeText-CTS (Clinical Time-Series), which converts irregular EHR trajectories into human-readable, compact, source-traceable tree-path evidence units without patient-level summarization or inference-time autoregressive decoding. TreeText-CTS routes multi-scale window summaries through frozen XGBoost models and verbalizes activated tree paths as deterministic, source-traceable evidence units composed of threshold conditions. An evidence selector assembles an informative subset of these units, which a language-model encoder then integrates for prediction. Across PhysioNet 2012 mortality, MIMIC-III mortality, and PhysioNet 2019 sepsis-onset forecasting, TreeText-CTS achieves the best AUROC and AUPRC among evaluated text-based EHR time-series interfaces, improving AUPRC by 6.0 to 9.7 absolute percentage points over the strongest prior text-based interface while remaining competitive with numerical time-series models. Ablations show that tree-path evidence construction, evidence selection, and language-model composition each contribute to performance. Because every span passed to the language-model encoder is constructed from activated tree-path threshold conditions, TreeText-CTS makes the evidence supplied to the final predictor inspectable and source-traceable.
• Abstract（参考訳）: 数値時系列モデルは、不規則な電子健康記録(EHR)トラジェクトリを効果的に処理することができるが、各リスク見積を支える測定や時間パターンを可読性のある証拠として自然に公開しない。 既存のテキストベースのインターフェースは可読性を改善するが、典型的には、長大で冗長な生のシリアライゼーションや、ソース測定やタイムウインドウの追跡が難しい患者レベルのフリーフォームの要約に頼っている。 このギャップを埋めるために,不規則なEHRトラジェクトリを患者レベルの要約や推論時間の自動回帰復号を行うことなく,ヒト可読でコンパクトで,ソーストレース可能なツリーパスエビデンスユニットに変換するTreeText-CTS(Clinical Time-Series)を導入する。 TreeText-CTSは、凍結したXGBoostモデルを介してマルチスケールウィンドウサマリーをルーティングし、アクティベートされたツリーパスをしきい値条件からなる決定論的かつソース追跡可能なエビデンスユニットとして言語化する。 エビデンスセレクタはこれらのユニットの情報サブセットを組み立て、言語モデルエンコーダが予測のために統合する。 PhysioNet 2012 死亡率、MIMIC-III 死亡率、および PhysioNet 2019 のセプシス・オンセット予測において、TreeText-CTS はテキストベースの EHR 時系列インタフェースの中で最高の AUROC と AUPRC を達成し、AUPRC を6.0 から 9.7 に改善した。 アブレーションは、ツリーパスのエビデンス、エビデンスの選択、言語モデルの構成がそれぞれパフォーマンスに寄与していることを示している。 言語モデルエンコーダに渡される全てのスパンは、アクティベートされたツリーパス閾値条件から構築されるため、TreeText-CTSは最終的な予測子に供給された証拠を検査可能で、ソース追跡可能である。

関連論文リスト

• COTCAgent: Preventive Consultation via Probabilistic Chain-of-Thought Completion [1.3891530345631953]
  The Probabilistic Chain-of-Thought Completion Agent (COTCAgent)は、縦断的な電子健康記録のための階層的推論フレームワークである。 COTCAgentは、自作データセットで90.47%、HealthBenchで70.41%の精度を達成し、既存の医療エージェントや主流の大規模言語モデルを上回っている。
  論文  参考訳（メタデータ） (2026-05-14T16:17:35Z)
• Human Texts Are Outliers: Detecting LLM-generated Texts via Out-of-distribution Detection [71.59834293521074]
  我々は,人間によるテキストと機械によるテキストを区別する枠組みを開発した。 提案手法は,DeepFakeデータセット上で98.3%のAUROCとAUPRを8.9%のFPR95で達成する。 コード、事前トレーニングされたウェイト、デモがリリースされる。
  論文  参考訳（メタデータ） (2025-10-07T08:14:45Z)
• THE-Tree: Can Tracing Historical Evolution Enhance Scientific Verification and Reasoning? [16.91455372359864]
  textbfTechnology textbfHistory textbfEvolution Treeは,これらの領域固有の進化木を科学文献から構築する計算フレームワークである。
  論文  参考訳（メタデータ） (2025-06-26T20:44:51Z)
• Accelerated Test-Time Scaling with Model-Free Speculative Sampling [58.69141724095398]
  STAND(Stochastic Adaptive N-gram Drafting)は,新しいモデルフリーな投機的デコード手法である。 従来の自己回帰復号法と比較して,STANDは推論遅延を60～65%削減することを示した。 モデルフリーのアプローチとして、STANDは追加のトレーニングなしで既存の言語モデルに適用できる。
  論文  参考訳（メタデータ） (2025-06-05T07:31:18Z)
• CASTILLO: Characterizing Response Length Distributions of Large Language Models [3.5041586868397854]
  CASTILLO(CASTILLO)は、広く使われている13の大規模言語モデルにまたがる応答長分布を特徴付けるデータセットである。 本分析では,応答長のモデル間およびモデル内変動と,応答のサブセットのみにおけるモデル特異的な振る舞いと部分的テキスト変性の発生を明らかにした。
  論文  参考訳（メタデータ） (2025-05-22T16:35:33Z)
• Scalable Learning of Latent Language Structure With Logical Offline Cycle Consistency [71.42261918225773]
  概念的には、LOCCOは、トレーニング対象のセマンティクスを使用してラベルなしテキストのアノテーションを生成する、自己学習の一形態と見なすことができる。 追加ボーナスとして、LOCCOによって生成されたアノテーションは、神経テキスト生成モデルをトレーニングするために自明に再利用することができる。
  論文  参考訳（メタデータ） (2023-05-31T16:47:20Z)
• LLMDet: A Third Party Large Language Models Generated Text Detection Tool [119.0952092533317]
  大規模言語モデル(LLM)は、高品質な人間によるテキストに非常に近い。 既存の検出ツールは、機械が生成したテキストと人間によるテキストしか区別できない。 本稿では,モデル固有,セキュア,効率的,拡張可能な検出ツールであるLLMDetを提案する。
  論文  参考訳（メタデータ） (2023-05-24T10:45:16Z)
• SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series Forecasting [7.206754802573034]
  本稿では,TARモデルと回帰木との密接な関係について検討する。 本研究では,葉のグローバルプール回帰(PR)モデルをトレーニングする,予測固有木アルゴリズムを提案する。 本評価では, 提案した樹木モデルと森林モデルを用いて, 最先端の樹木モデルよりも精度の高い木モデルを提案する。
  論文  参考訳（メタデータ） (2022-11-16T04:30:42Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)

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。