論文の概要: A Framework for Early Sepsis Prediction via Self-Supervised (JEPA) and Federated Representation Learning

• arxiv url: http://arxiv.org/abs/2607.16681v1
• Date: Sat, 18 Jul 2026 07:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.226743
• Title: A Framework for Early Sepsis Prediction via Self-Supervised (JEPA) and Federated Representation Learning
• Title（参考訳）: 自己監督型(JEPA)とフェデレーション表現学習による早期セプシス予測のためのフレームワーク
• Abstract要約: 電子健康記録からの早期敗血症予測は、不規則なサンプリング、高い欠失、および階級不均衡によって挑戦される。 タスク認識型微調整による自己指導型事前学習は,予測地平線を横断するシャープな近点とロバストな特徴を持つことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Early sepsis prediction from electronic health records is challenged by irregular sampling, high missingness, and class imbalance. We systematically compare four modeling paradigms -- self-supervised Joint Embedding Predictive Architecture (JEPA) via masked latent prediction, self-supervised VICReg (variance-invariance-covariance regularization) with two-view augmentation, semi-supervised fine-tuning of a VICReg-pretrained encoder, and supervised Temporal Convolutional Network (TCN) -- alongside raw-feature baselines. All models share a common preprocessing pipeline of hourly binning with forward-fill imputation applied to 7 biomarkers selected via sparsity analysis from the MIMIC-III dataset. Our best model (JEPA + XGBoost + mean pooling) achieves AUPRC 0.636 at the time of onset (H0), approaching the SupMix benchmark (0.667) while using 83\% fewer biomarkers. The Tier 1 pipeline -- VICReg pretraining followed by semi-supervised fine-tuning and XGBoost -- achieves AUPRC 0.510 at H0, a 3.1$\times$ improvement over the raw-feature baseline (0.165) and a 7.6\% improvement over the end-to-end supervised TCN (0.474). Crucially, the fine-tuned VICReg encoder exhibits the most temporally persistent representations, degrading only 16.8\% from H0 to H10 compared to 47.5\% for supervised TCN and 65.3\% for JEPA, demonstrating that self-supervised pretraining with task-aware fine-tuning yields features that are both sharp near onset and robust across prediction horizons.
• Abstract（参考訳）: 電子健康記録からの早期敗血症予測は、不規則なサンプリング、高い欠失、および階級不均衡によって挑戦される。 マスク付き潜伏予測による自己教師型共同埋め込み予測アーキテクチャ(JEPA)、二視点拡張による自己教師型VICReg(分散-不変-共分散正則化)、VICRegプリトレーニングエンコーダの半教師型微調整、生機能ベースラインによる時間畳み込みネットワーク(TCN)の4つのモデリングパラダイムを体系的に比較した。 すべてのモデルは、MIMIC-IIIデータセットからスパーシティ分析により選択された7つのバイオマーカーにフォワードフィル・インプットを適用した時限結合の一般的な前処理パイプラインを共有している。 我々の最良のモデル(JEPA + XGBoost + mean pooling)は、起動時(H0)にAUPRC 0.636を達成し、SupMixベンチマーク(0.667)に近づき、83倍のバイオマーカーを使用した。 ティア1パイプライン - VICReg事前トレーニング、セミ教師付き微調整、XGBoost - H0でのAUPRC 0.510、生機能ベースライン(0.165)の3.1$\times$改善、エンドツーエンドの教師付きTCN(0.474)の7.6\%改善。 重要なことに、細調整されたVICRegエンコーダは、H0からH10への16.8\%しか分解せず、監督されたTCNでは47.5\%、JEPAでは65.3\%しか分解していない。

関連論文リスト

• Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
  外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T07:06:52Z)
• From Seasonality to Semantics: Benchmarking a Hybrid Probabilistic Forecasting System for Roadblocks in Bolivia [0.0]
  ボリビアの道路封鎖は、経済的に壊滅的な影響を及ぼす社会紛争である。 その再発と影響にもかかわらず、これらの事象を予想する局所的な予測システムが欠如している。 本稿では,時系列分解と自然言語処理を統合したハイブリッド確率予測システムを提案する。
  論文  参考訳（メタデータ） (2026-07-23T20:05:48Z)
• Scaling Closed-Loop Feature Channel Configuration with LLMs [48.83701310501069]
  この分析では,8サイクルから2000件の候補が生成され,タスクおよびメタデータフィルタリング後のCIFAR-100の評価結果が462件得られた。 最良のモデルは11.8Mパラメータで0.3676に達し、初期のハイパフォーマンスモデルは0.3144で166.5Mパラメータである。 検証された候補の41.8%で2つのチャネル幅の非パワーが発生し、最強のモデルではチャネル配置パターンが共有される。
  論文  参考訳（メタデータ） (2026-07-07T22:31:53Z)
• LeNEPA: No-Augmentation Next-Latent Prediction for Time-Series Representation Learning [59.34593956287438]
  我々は,事前学習信号ファミリーが変化した後,メソッド固有の構成が再利用されない場合にSSLレシピがどのように振る舞うかを検討する。 我々は遅延ユークリッド次世代予測アーキテクチャ(LeNEPA)を紹介する。 LeNEPAは、バニラNEPAが使用する停止段階/EMA安定化をSIGRegベースのイソトロピー正則化に置き換える。
  論文  参考訳（メタデータ） (2026-07-01T13:56:21Z)
• Clin-JEPA: A Multi-Phase Co-Training Framework for Joint-Embedding Predictive Pretraining on EHR Patient Trajectories [7.992399976910451]
  Clin-JEPAは、HR患者軌道上での予測(JEPA)事前トレーニングのための多相コトレーニングフレームワークである。 MIMIC-IV ICUデータでは、3つの独立した評価がフレームワークをサポートしている。
  論文  参考訳（メタデータ） (2026-05-11T16:54:23Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• SPLICE: Latent Diffusion over JEPA Embeddings for Conformal Time-Series Inpainting [0.5076419064097734]
  時系列計算のための生成モデルは、強い復元精度を実現するが、有限サンプル信頼性保証は提供しない。 SPLICEは分散のないオンライン適応予測区間と遅延生成計算を結合したモジュラーフレームワークである。 プールされたJEPAエンコーダは、9つのフィードでトレーニングされ、4つの見えないドメインに転送される。
  論文  参考訳（メタデータ） (2026-04-30T18:27:08Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Meteorology-Driven GPT4AP: A Multi-Task Forecasting LLM for Atmospheric Air Pollution in Data-Scarce Settings [4.364999214109123]
  事前訓練GPT-2バックボーンとガウスランク安定化低ランク適応(rsLoRA)に基づく大気汚染のための気象駆動型GPT(GPT4AP) モデルは、数ショット、ゼロショット、長期予測設定の下で6つの実世界の空気質監視データセットで評価される。
  論文  参考訳（メタデータ） (2026-03-31T16:37:06Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
  本報告では, YOLOv11の合成増強の制御された評価法について述べる。 実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。 データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
  論文  参考訳（メタデータ） (2026-02-20T03:02:36Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)

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。