論文の概要: MissHyper: Restoring Clinical Synchronicity in Missingness-Guided Hypergraph Forecasting

• arxiv url: http://arxiv.org/abs/2607.21922v1
• Date: Fri, 24 Jul 2026 02:55:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.036341
• Title: MissHyper: Restoring Clinical Synchronicity in Missingness-Guided Hypergraph Forecasting
• Title（参考訳）: MissHyper: 欠損誘導型ハイパーグラフ予測における臨床同期性回復
• Abstract要約: 提案するMissHyperは,プレプロパゲーション同期を復元するハイパーグラフ予測モデルである。 MissHyperは、各イベントをローカルなサポート密度キューで拡張し、コタイムスタンプレコードを集約し、欠如誘導ゲートを使用して、回復したコンテキストでノード固有のエビデンスを適応的に融合する。
• 参考スコア（独自算出の注目度）: 0.8762953634861864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical irregular multivariate time series are shaped not only by physiological dynamics but also by the measurement process that determines when and what to observe. In event-centric models, however, co-timestamp structure can be flattened too early: measurements acquired at the same timestamp are embedded as isolated nodes, leaving local patient-state context unavailable until later message-passing layers. We study this pre-propagation representation bottleneck and address it by restoring co-timestamp context before message passing begins. We propose MissHyper, a missingness-guided hypergraph forecasting model with pre-propagation synchronicity restoration. MissHyper augments each event with a local support-density cue, aggregates co-timestamp records to recover patient-state context, and uses a missingness-guided gate to adaptively fuse node-specific evidence with the recovered context. Across PhysioNet 2012, MIMIC-III, and MIMIC-IV, MissHyper achieves consistent gains in multi-step forecasting and outperforms a strong hypergraph baseline. These results suggest that improving event initialization can benefit sparse clinical forecasting without requiring a redesigned downstream propagation architecture. Ablations indicate that snapshot restoration, adaptive fusion, and support-density encoding all contribute, pointing to event initialization as a critical design axis for sparse clinical forecasting.
• Abstract（参考訳）: 臨床不規則な多変量時系列は、生理力学だけでなく、いつ、何を見るべきかを決定する測定プロセスによっても形成される。 しかし、イベント中心のモデルでは、コタイムスタンプ構造は早すぎるため、同じタイムスタンプで取得した測定値が独立したノードとして埋め込まれる。 我々は、この前伝搬表現ボトルネックを調査し、メッセージの送信開始前にコタイムスタンプコンテキストを復元することで対処する。 提案するMissHyperは,プレプロパゲーション同期を復元するハイパーグラフ予測モデルである。 MissHyperは、各イベントをローカルなサポート密度キューで拡張し、コタイムスタンプレコードを集約して患者状態のコンテキストを回復し、欠如誘導ゲートを使用して、回復されたコンテキストでノード固有のエビデンスを適応的に融合する。 PhysioNet 2012、MIMIC-III、MIMIC-IV全体で、MissHyperはマルチステップ予測において一貫した利得を達成し、強力なハイパーグラフベースラインを上回っている。 これらの結果から, イベント初期化の改善は, 下流伝播アーキテクチャの再設計を必要とせず, スパース臨床予測に有用であることが示唆された。 アブレーションは、スナップショット復元、適応融合、サポート密度が全てに寄与し、イベントの初期化がスパース臨床予測の重要な設計軸であることを示している。

関連論文リスト

• MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
  状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。 MedMambaは線形計算複雑性を維持しながら最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-24T09:23:39Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Text Knows What, Tables Know When: Clinical Timeline Reconstruction via Retrieval-Augmented Multimodal Alignment [4.42383617731229]
  本稿では,テキストから抽出した絶対的臨床タイムラインの時間的精度を向上させるために,検索強化型マルチモーダルアライメントフレームワークを提案する。 提案手法は,グラフベースのマルチステッププロセスとしてタイムライン再構成を定式化する。
  論文  参考訳（メタデータ） (2026-05-14T17:55:27Z)
• Monitoring Neural Training with Topology: A Footprint-Predictable Collapse Index [51.56484100374058]
  我々は,MHM(Modular Morse Homology maintenance)とCI(Composite Collapse Index)を併用したオンライントポロジ対応型神経表現モニタを提案する。 コンプレックスを再構築する代わりに、スパース編集を一定のスケールで適用し、離散的なモースマッチングを維持し、高速でインクリメンタルな更新をもたらす。
  論文  参考訳（メタデータ） (2026-04-28T19:21:21Z)
• Time-to-Event Transformer to Capture Timing Attention of Events in EHR Time Series [15.049813932448112]
  LITTは、仮想相対タイムライン上のシーケンシャルイベントの一時的なアライメントを可能にする、新しいTiming-Transformerアーキテクチャである。 乳がん患者3,276人の実世界の経時的EHRデータから,その解釈可能性と効果を検証した。
  論文  参考訳（メタデータ） (2026-02-11T00:13:08Z)
• Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction [45.67071315035565]
  術中低血圧は外科的危険を伴うが、患者固有の変動性のために正確な予測は困難である。 CSA-TTA(Cross-Sample Augmented Test-Time Adaptation framework)を提案する。 提案したCSA-TTAを,現在最先端の時系列予測モデルと統合することで,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。
  論文  参考訳（メタデータ） (2025-12-12T08:02:37Z)
• Aneurysm Growth Time Series Reconstruction Using Physics-informed Autoencoder [5.472379751097357]
  大動脈瘤破裂の予測は、大動脈瘤成長史の時系列解析に依存する。 そこで我々は,患者パラメータから直接大動脈瘤成長時系列を再構築する手法を提案する。
  論文  参考訳（メタデータ） (2025-10-05T19:54:06Z)
• 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)
• A Nonparametric Discrete Hawkes Model with a Collapsed Gaussian-Process Prior [0.5352699766206809]
  ベースラインと励起の両方にガウス過程を優先する非パラメトリックフレームワークを提案する。 これにより、所定の傾向、周期性、または崩壊形を伴わないスムーズなデータ適応構造が得られる。 シミュレーションでは、GP-DHPは多様な励起形状を復元し、ベースラインを進化させる。
  論文  参考訳（メタデータ） (2025-09-26T07:23:57Z)
• Wav2Arrest 2.0: Long-Horizon Cardiac Arrest Prediction with Time-to-Event Modeling, Identity-Invariance, and Pseudo-Lab Alignment [5.706374608871095]
  高周波生理学的波形モダリティは、患者の状態に対する深いリアルタイムな洞察を提供する。 近年、心臓発作を含む重要な事象を予測するための生理学的基礎モデルが示されている。 最小限の補助情報を用いてPSGのみのCAシステムを改善するための3つの改良点を提案する。
  論文  参考訳（メタデータ） (2025-09-25T23:46:39Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)

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。