論文の概要: A Diffusion-Model Subpopulation Digital Twin for Mobile Health Deployment: A Case Study on the HeartSteps Intervention

• arxiv url: http://arxiv.org/abs/2607.21403v1
• Date: Thu, 23 Jul 2026 15:03:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.449654
• Title: A Diffusion-Model Subpopulation Digital Twin for Mobile Health Deployment: A Case Study on the HeartSteps Intervention
• Title（参考訳）: 移動体医療展開のための拡散モデルサブポピュレーションデジタル双生児の1例 : HeartStepsインターベンションを例として
• Abstract要約: モバイルヘルスの介入は、オンライン学習と意思決定アルゴリズムを使って、ユーザーを健康的な行動に誘導するタイミングをパーソナライズする。 したがって、新しいアルゴリズムの設計決定は、実際のデプロイ毎に現実的なシミュレートされたユーザに対して検証されるべきである。 ジャスト・イン・タイム・アダプティブ・インダプティブ・インタプリタ(JITAI)をデプロイする前に,候補とするオンラインアルゴリズムを比較するために,ターゲットサブポピュレーションのディジタルツインを開発する手法を提案する。
• 参考スコア（独自算出の注目度）: 6.496226537486273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile-health interventions increasingly use online learning and decision making algorithms to personalize when to nudge users toward healthier behavior, but a poorly designed algorithm can burden and disengage participants. New algorithm design decisions should therefore be vetted against realistic simulated users before each real-life deployment. We propose a method to develop ``JITAI-Twins'': digital twins of a target subpopulation for comparing candidate online algorithms before a just-in-time adaptive intervention (JITAI) deployment. The method builds on a conditional time-series diffusion model that is temporally consistent (future actions do not affect the generated past), and it supports repeated updating from three sources of information, in three steps: pre-training on a large observational dataset, fine-tuning on small prior intervention deployments in related populations, and inference-time calibration to the next target population from domain-scientist expertise. We validate the twin at each pre-deployment stage of the long-running HeartSteps series (v2 through v4) of physical-activity suggestion intervention deployments, treating each successive deployment as an upcoming study. The proposed method reproduces the target subpopulation's temporal and between-participant structure better than simpler simulators. These results suggest that our twin can be used to simulate a target deployment before it runs, the prerequisite for testing and informing online algorithm design decisions.
• Abstract（参考訳）: モバイルヘルスの介入は、オンライン学習と意思決定のアルゴリズムを使って、ユーザーを健康的な行動に向けたタイミングをパーソナライズする傾向にある。 したがって、新しいアルゴリズムの設計決定は、実際のデプロイ毎に現実的なシミュレートされたユーザに対して検証されるべきである。 ジャスト・イン・タイム・アダプティブ・インダプティブ・インタプリタ(JITAI)をデプロイする前に,候補とするオンラインアルゴリズムを比較するために,ターゲットサブポピュレーションのディジタル双対である `JITAI-Twins' を開発する手法を提案する。 本手法は,時間的に一貫した時間系列拡散モデルを構築し,3つの情報ソースからの繰り返し更新をサポートする。大規模な観測データセットの事前学習,関連する集団における小規模な介入展開の微調整,ドメイン科学者の専門知識から次のターゲット人口への推論時校正である。 本研究は, 長期滞在型HeartStepsシリーズ(v2～v4)の, 身体活動的提案介入デプロイメントの各段階における双生児を検証し, 次回の展開を今後の研究として扱う。 提案手法は, 簡易なシミュレータよりも, 対象サブポピュレーションの時間的および参加者間構造を再現する。 これらの結果は、我々の双子が実行前にターゲットデプロイメントをシミュレートするために使用できることを示唆している。

関連論文リスト

• Aligning Data-Driven Predictors with Allocation: A Decision-Focused Approach to Survival Analysis [52.10284705210197]
  機械学習予測器は、アロケーションに使用する場合、任意に貧弱な結果が得られることを示す。 正規化割引累積ゲイン(NDCG)の最適化に基づく意思決定型学習手法を提案する。 既存の生存モデルのNDCGを最適化するためのブートストラップ手法を提案する。
  論文  参考訳（メタデータ） (2026-06-01T12:03:22Z)
• From Brain Models to Executable Digital Twins: Execution Semantics and Neuro-Neuromorphic Systems [51.82266520875928]
  この調査では、実行のレベルでアプローチを比較するための統一的な視点として、物理的に制約された実行可能性を紹介します。 本稿では,孤立オフラインモデルから協調シミュレーション,オンラインデータによるディジタル双生児の連続実行に至るまで,実行体制の分類について提案する。 実行可能性の概念は、なぜ正確性だけで不十分なのかを明確にし、セマンティック・インターオペラビリティ、ハイブリッド・タイムの正確性、評価プロトコル、スケーラブルな同化、安全なクローズドループ検証を中心にしたアジェンダを動機付けている。
  論文  参考訳（メタデータ） (2026-04-15T07:34:46Z)
• Practical considerations when designing an online learning algorithm for an app-based mHealth intervention [0.8796261172196743]
  LowSalt4Life 2 (LS4L2) は、アプリベースの介入によって高血圧患者のナトリウム摂取を減らす試みである。 強化学習アルゴリズムは、リマインダー通知を送信して、通知が有効なコンテキストにおけるアプリのエンゲージメントを促進するように設計されている。 我々は、強化学習アルゴリズムをデプロイする将来の試行において、課題を解決するためのテンプレートとして提示する。
  論文  参考訳（メタデータ） (2025-11-11T19:27:35Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• Meta-Auxiliary Learning for Adaptive Human Pose Prediction [26.877194503491072]
  高忠実な未来の人間のポーズを予測することは、インテリジェントロボットが人間と対話する上で決定的だ。 ディープラーニングアプローチは、通常、外部データセット上で一般的なトレーニング済みモデルをトレーニングし、すべてのテストサンプルに直接適用する。 本稿では,2つの自己監督型補助タスクを活用するテスト時間適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-13T11:17:09Z)
• Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
  デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。 患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。 患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-21T21:42:03Z)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)
• Learning neural state-space models: do we need a state estimator? [0.0]
  我々は、広範囲な実験と分析に基づいて、ニューラルステートスペーストレーニングアルゴリズムの校正のための洞察を提供する。 初期状態推定の選択と役割に特に焦点をあてる。 動的システムのある種のクラスにおいて高い性能を達成するためには,先進的な初期状態推定手法が本当に必要であることを示す。
  論文  参考訳（メタデータ） (2022-06-26T17:15:35Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• Reinforcement Learning Under Algorithmic Triage [33.80293624975863]
  トリアージ下で強化学習モデルを学ぶための2段階アクター批判手法を開発した。 最初の段階は、人間が単独で操作した環境で収集された人間のデータを使って、オフラインで非政治的な訓練を行う。 第2段階は、人間の政策に切り替えが与える影響を考慮し、政治上の訓練を行う。
  論文  参考訳（メタデータ） (2021-09-23T12:21:26Z)
• Bridging the Gap Between Training and Inference for Spatio-Temporal Forecasting [16.06369357595426]
  本稿では,S-temporal sequence forecastingのトレーニングと推論のギャップを埋めるために,時間的プログレッシブ・グロース・サンプリングというカリキュラムベースの新しい戦略を提案する。 実験結果から,提案手法は長期依存をモデル化し,2つの競合データセットに対するベースラインアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-19T10:14:43Z)

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。