論文の概要: FemWear: A Specialized Wearable Foundation Model for Women's Health
- arxiv url: http://arxiv.org/abs/2608.08244v1
- Date: Sat, 08 Aug 2026 17:13:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.738256
- Title: FemWear: A Specialized Wearable Foundation Model for Women's Health
- Title（参考訳）: FemWear:女性のためのウェアラブル基盤モデル
- Abstract要約: 一般的なウェアラブル基盤モデルは、広範囲のセンサーストリームと人口にわたって事前訓練されているが、女性の健康タスクを中心には設計されていない。
トレーニング済みのマルチモーダルウェアラブルバックボーンをパラメータ効率よく再利用する,特殊なウェアラブル基盤モデルであるFemWearを紹介する。
FemWearは、月経アダプタ、症状、情動、睡眠/回復、自律神経活動、妊娠関連結果の1つの共有縦断表現を学習する。
- 参考スコア（独自算出の注目度）: 5.575900522979413
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: General wearable foundation models are pretrained across broad sensor streams and populations, but are not designed around women's-health tasks. We introduce FemWear, a specialized wearable foundation model that parameter-efficiently repurposes a pretrained multimodal wearable backbone. FemWear retains the patch projection and Transformer encoder, training 239,236 parameters (1.11% of a 21.54M-parameter encoder) through low-rank residual adapters and causal task-family heads. It learns one shared longitudinal representation for menstrual, symptom, affective, sleep/recovery, autonomic, activity, and pregnancy-related outcomes. We evaluate six cohorts with 63 comparable primary metrics, including 33 from women's-health cohorts, while retaining the 32-task OpenMHC ability-retention benchmark. On a fixed participant split over three seeds, FemWear improved cycle-phase macro-F1 by 8.15% and reduced mean absolute error for cramps, mood symptoms, and sleep problems by 9.32%, 5.80%, and 9.43%, respectively. In a stricter 42-participant nested leave-one-participant-out audit, 24-hour onset, 72-hour onset, and cramps retained positive changes of 2.87%, 6.35%, and 2.19%; phase, mood, and sleep were neutral or negative, and no endpoint had a strictly positive corrected confidence interval. Capacity-matched experiments outperformed a latest-day multilayer perceptron but not shared-GRU or multi-gate mixture-of-experts baselines. Train-only calibration reduced onset expected calibration error by 84.2--88.2% with zero temporal-nesting violations. FemWear enables targeted transfer and coherent probability outputs for women's-health research, but does not establish universal performance dominance or clinical validity.
- Abstract（参考訳）: 一般的なウェアラブル基礎モデルは、広範囲のセンサーストリームと人口にわたって事前訓練されているが、女性の健康タスクを中心には設計されていない。
トレーニング済みのマルチモーダルウェアラブルバックボーンをパラメータ効率よく再利用する,特殊なウェアラブル基盤モデルであるFemWearを紹介する。
FemWearはパッチプロジェクションとトランスフォーマーエンコーダを保持し、239,236のパラメータ(21.54Mパラメータエンコーダの1.11%)を低ランクの残留アダプタと因果タスクファミリーヘッドで訓練している。
月経、症状、情動、睡眠/回復、自律性、活動、妊娠に関連する結果の共有された縦断的表現を学習する。
健常者33名を含む63名に匹敵する6名のコホートを,32タスクのOpenMHC能力保持ベンチマークを維持しながら評価した。
固定された参加者が3つの種子を割ると、FemWearはサイクルフェーズマクロF1を8.15%改善し、クランプ、気分症状、睡眠問題の平均絶対誤差を9.32%、5.80%、9.43%削減した。
より厳格な42名のネスト・ワン・参加者アウト監査では、24時間オンセット、72時間オンセット、クランプは2.87%、6.35%、および2.19%の正の変化を維持した。
キャパシティマッチング実験は、最近の多層パーセプトロンよりも優れていたが、共有GRUやマルチゲート混合専門家のベースラインは優れていなかった。
列車のみのキャリブレーションにより、設定済みのキャリブレーション誤差は84.2--88.2%削減され、時間制限違反はゼロとなった。
FemWearは、女性健康研究のためのターゲット転送とコヒーレントな確率出力を可能にしているが、普遍的なパフォーマンス優位性や臨床的妥当性は確立していない。
関連論文リスト
- DarwinX: Evolving Agent Harnesses Through Natural Selection [48.64258219266629]
ダーウィンXは自己進化を、モデルが凍結されたハーネスの集団の選択として扱う。
一般的なエージェント能力はベンチマーク固有のパッチではなく、タスク、検証、ベースモデルの変更を生き残る。
論文 参考訳（メタデータ） (2026-07-31T05:34:02Z) - What You Train Is What You Get: Gender Bias, Training Composition, and Post-Hoc Mitigation in Audio Deepfake Detection [1.8315988392353102]
ASVspoof5データセットを用いたディープフェイク検出における性別バイアスについて検討した。
我々は、性別構成の異なる9つの訓練セットで攻撃特化モデルを訓練する。
トレーニングデータ構成は, バイアス方向を強く予測し, 未表現の性別がテスト時に悪化していることが判明した。
論文 参考訳（メタデータ） (2026-07-10T18:29:24Z) - EQUITRIAGE: A Fairness Audit of Gender Bias in LLM-Based Emergency Department Triage [0.0]
本稿では,救急部門における大規模言語モデル(LLM)の公平性監査であるEQUITRIAGEについて紹介する。
5つのモデルは全て、事前登録された5%の閾値を超えるフリップレートを生み出した。
グループパリティ、反事実的不変性、性別のキャリブレーションは、異なる公平性の性質である。
論文 参考訳（メタデータ） (2026-05-05T17:20:55Z) - TEMPO: Scaling Test-time Training for Large Reasoning Models [87.61789183311856]
テストタイムトレーニング(TTT)は、推論時間中にラベルのないテストインスタンスにモデルパラメータを適用する。
TTTフレームワークであるTEMPOを提案する。これは、ラベル付きデータセット上で定期的な批評家の再検討を行い、ラベル付き質問に対するポリシー修正をインターリーブする。
論文 参考訳（メタデータ） (2026-04-21T10:01:04Z) - PsychBench: Auditing Epidemiological Fidelity in Large Language Model Mental Health Simulations [0.0]
大きな言語モデルは、臨床訓練、研究、メンタルヘルスツールのために患者をシミュレートするためにますます多くデプロイされている。
LLM患者シミュレーションの最初の疫学的検査である PsychBench を紹介した。
モデルでは, 抽出した個体群を誤って表現しながら, 臨床的に有意な個体を生成できることが示唆された。
論文 参考訳（メタデータ） (2026-04-19T10:05:25Z) - Robust Fair Disease Diagnosis in CT Images [6.957497306200416]
クラス不均衡とグループアンダー表現はしばしば一致し、複合的な障害モードを生み出します。
この問題の両軸を対象とする2段階の目標を提案する。
Kinetics-400で事前訓練した3D ResNet-18を用いたFair Disease Diagnosisベンチマークについて検討した。
論文 参考訳（メタデータ） (2026-04-08T03:37:44Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。
我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。
LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
論文 参考訳（メタデータ） (2026-03-02T00:50:39Z) - Predicting Metabolic Dysfunction-Associated Steatotic Liver Disease using Machine Learning Methods [0.8642326601683298]
我々は、公正で厳密で再現可能なMASLD予測モデルを開発した。
MASLDは米国の成人の33%に影響を与え、最も一般的な慢性肝疾患である。
論文 参考訳（メタデータ） (2025-10-25T13:36:18Z) - Medical Hallucinations in Foundation Models and Their Impact on Healthcare [71.15392179084428]
基礎モデルの幻覚は自己回帰訓練の目的から生じる。
トップパフォーマンスモデルは、チェーン・オブ・シークレット・プロンプトで強化された場合、97%の精度を達成した。
論文 参考訳（メタデータ） (2025-02-26T02:30:44Z) - Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化
MTEは精度と不確実性の両方を同時に向上させることができる。
例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
論文 参考訳（メタデータ） (2024-05-30T03:15:59Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
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。