論文の概要: A Comparative Study of Deep Learning Architectures for Multi-Horizon Behavioural Forecasting for Mobile Health

• arxiv url: http://arxiv.org/abs/2606.14604v1
• Date: Fri, 12 Jun 2026 16:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.985992
• Title: A Comparative Study of Deep Learning Architectures for Multi-Horizon Behavioural Forecasting for Mobile Health
• Title（参考訳）: モバイルヘルスのためのマルチ水平行動予測のためのディープラーニングアーキテクチャの比較検討
• Authors: Pavlos Nicolaou, Kleanthis Malialis, Artemis Kontou, Panayiotis Kolios,
• Abstract要約: 800人以上の参加者を含む3つの公開データセットに対して、6つのディープラーニングアーキテクチャ、2つのゼロショットファンデーションモデル(FM)、統計ベースラインをベンチマークする。 PatchTSTはトレーニングされたモデルでリードし、3人のランナーはTransformer、TCN、Transformer Timesである。 これらの結果は、モバイルヘルス予測のためのアーキテクチャ選択、FM適用性、パーソナライズ戦略に関する実践的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 2.22825081715888
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wearable devices and smartphones generate rich behavioural time series that can support proactive health interventions, yet systematic comparisons of modern forecasting architectures for these data are lacking. In particular, it remains unclear how models generalise across populations, how different architectures respond to participant-level fine-tuning and how forecasting accuracy degrades across multi-day horizons. We benchmark six deep learning architectures, two zero-shot Foundation Models (FM) and statistical baselines on three public datasets encompassing over 800 participants, reporting per-feature metrics for step counts, screen time and sleep duration across 1-8 day horizons. We further conduct a per-feature personalisation study across all six architectures and assess FM transferability across dataset sizes and temporal granularities. Our key findings are: (i) no single architecture dominates, PatchTST leads among trained models while the three runners-up (TCN, MLP, Transformer) show no meaningful performance difference; (ii) the FM TimesFM matches or exceeds trained models zero-shot, especially in low-data regimes and (iii) participant-level fine-tuning reduces per-feature RMSE by 16-60\%, with sleep benefiting most and step counts least. These results provide practical guidance on architecture selection, FM applicability and personalisation strategies for mobile health forecasting. To the best of our knowledge, this is the first study to jointly evaluate modern deep learning, FMs and personalisation for multi-horizon behavioural forecasting from wearables.
• Abstract（参考訳）: ウェアラブルデバイスとスマートフォンは、積極的な健康介入をサポートするリッチな行動時系列を生成するが、これらのデータに対する現代の予測アーキテクチャの体系的な比較は欠如している。 特に、モデルが人口全体にわたってどのように一般化するか、どのように異なるアーキテクチャが参加者レベルの微調整に反応するか、そして予測精度が複数日の地平線でどのように低下するかは、まだ不明である。 我々は6つのディープラーニングアーキテクチャ、2つのゼロショットファンデーションモデル(FM)、800人以上の参加者を含む3つの公開データセットの統計ベースラインをベンチマークし、1～8日の地平線上でのステップ数、スクリーン時間、睡眠時間に関する機能毎のメトリクスを報告した。 さらに、6つのアーキテクチャすべてにわたる機能ごとのパーソナライズ調査を行い、データセットサイズと時間的粒度のFM転送性を評価する。 私たちの主要な発見は次のとおりです。 (i)1つのアーキテクチャが支配的ではなく、PatchTSTはトレーニングされたモデルの中でリードし、3つのランナーアップ(TCN, MLP, Transformer)は有意義な性能差を示さない。 (II)FM TimesFMは、特に低データ体制において、ゼロショットの訓練されたモデルと一致または超過する。 三 参加者レベルの微調整は、機能ごとのRMSEを16～60 %減らし、睡眠の便益が最も多く、歩数も少なくなる。 これらの結果は、モバイルヘルス予測のためのアーキテクチャ選択、FM適用性、パーソナライズ戦略に関する実践的なガイダンスを提供する。 我々の知る限りでは、ウェアラブルのマルチ水平行動予測において、現代のディープラーニング、FM、パーソナライゼーションを共同で評価する最初の研究である。

関連論文リスト

• SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
  SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T15:58:44Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
  T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。 予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。 我々のモデルは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-06T09:31:44Z)
• MoFE-Time: Mixture of Frequency Domain Experts for Time-Series Forecasting Models [11.374098795890738]
  MoFE-Timeは、Mixture of Experts (MoE)ネットワーク内に時間と周波数ドメインの機能を統合する。 MoFE-Timeは最先端のパフォーマンスを新たに達成し、MSEとMAEはTime-MoEよりも6.95%、MAEは6.02%削減された。 本手法は, 実運用におけるMoFE-Timeモデルの有効性を実証し, 本データセットの優れた結果を得る。
  論文  参考訳（メタデータ） (2025-07-09T03:00:56Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• SMPLest-X: Ultimate Scaling for Expressive Human Pose and Shape Estimation [81.36747103102459]
  表現的人間のポーズと形状推定(EHPS)は、身体、手、顔の動きを多数の応用で統合する。 現在の最先端の手法は、限定されたデータセット上で革新的なアーキテクチャ設計を訓練することに焦点を当てている。 本稿では,EHPSのスケールアップが一般基盤モデルのファミリに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-01-16T18:59:46Z)
• ViTime: Foundation Model for Time Series Forecasting Powered by Vision Intelligence [49.60944381032587]
  時系列予測(TSF)は、電力やエネルギー、輸送など、様々な分野で大きな実践的価値を持っている。 TSFモデルは長年、問題固有であり、アプリケーションの一般化性に欠けることが知られている。 本稿では,視覚情報を利用したViTimeフレームワークを初めて提案する。
  論文  参考訳（メタデータ） (2024-07-10T02:11:01Z)
• Time Series Representation Models [2.724184832774005]
  時系列解析は、そのスパース特性、高次元性、一貫性のないデータ品質のため、依然として大きな課題である。 近年のトランス技術の発展により,予測や計算能力が向上している。 イントロスペクションに基づく時系列解析のための新しいアーキテクチャ概念を提案する。
  論文  参考訳（メタデータ） (2024-05-28T13:25:31Z)
• TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting [24.834846119163885]
  本稿では,時系列表現を効果的に学習できる新しいフレームワークTEMPOを提案する。 TEMPOは、様々な領域のデータから現実世界の時間現象を動的にモデル化する機能を拡張する。
  論文  参考訳（メタデータ） (2023-10-08T00:02:25Z)

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。