論文の概要: GARLIC: Graph Attention-based Relational Learning of Multivariate Time Series in Intensive Care

• arxiv url: http://arxiv.org/abs/2608.10969v1
• Date: Tue, 11 Aug 2026 14:29:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.07376
• Title: GARLIC: Graph Attention-based Relational Learning of Multivariate Time Series in Intensive Care
• Title（参考訳）: GARLIC:集中治療における多変量時系列のグラフ注意に基づく関係学習
• Abstract要約: 本稿では,集中治療のための注意型グラフ学習(GARLIC)モデルを提案する。 GARLICは、指数関数的に学習可能なニューラルネットワークアーキテクチャを通じて、欠落したデータを暗示する。 3つの ICU ベンチマークで、GARLIC は結果予測の新たな状態を設定する。
• 参考スコア（独自算出の注目度）: 5.469342914844525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Healthcare data, such as Intensive Care Unit (ICU) records, comprise heterogeneous multivariate time series sampled at irregular intervals with pervasive missingness. However, clinical applications demand predictive models that are both accurate and interpretable. We present our Graph Attention-based Relational Learning for Intensive Care (GARLIC) model, a novel neural network architecture that imputes missing data through a learnable exponential-decay encoder, captures inter-sensor dependencies via time-lagged summary graphs, and fuses global patterns with cross-dimensional sequential attention. All attention weights and graph edges are learned end-to-end to serve as built-in observation-, signal-, and edge-level explanations. To reconcile auxiliary reconstruction and primary classification objectives, we developed an alternating decoupled optimization scheme that stabilizes training. On three ICU benchmarks (PhysioNet 2012 & 2019, MIMIC-III), GARLIC sets the new state of the art in outcome prediction, significantly improving AUROC and AUPRC over best-performing baselines at comparable computational cost. Ablation studies confirm the contribution of each module, and feature-removal trials validate the fidelity of importance attribution through a monotonic performance drop (full > top 50% > random 50% > bottom 50%). Real-time case studies demonstrate actionable risk warnings with transparent explanations, marking a significant advance toward accurate, explainable deep learning for irregularly sampled ICU time series data. Moreover, we demonstrated \proposed{}'s superiority in data imputation and classification on various time-series datasets beyond the ICU domain, showing its generalizability and applicability to broader tasks.
• Abstract（参考訳）: Intensive Care Unit(ICU)レコードのような医療データは、不規則な間隔でサンプル化した異種多変量時系列で構成されている。 しかし、臨床応用は正確かつ解釈可能な予測モデルを必要とする。 グラフ注意に基づくRelational Learning for Intensive Care(GARLIC)モデルを提案する。これは、学習可能な指数デカイエンコーダを通じて欠落したデータをインプットする新しいニューラルネットワークアーキテクチャで、タイムラ付けされた要約グラフを介してセンサー間の依存関係をキャプチャし、グローバルパターンを相互に注意して融合する。 すべての注意重みとグラフエッジはエンドツーエンドで学習され、内蔵された観測レベル、信号レベル、エッジレベルの説明として機能する。 補助的再構成と一次分類の目的を整合させるために,訓練を安定させる交互に分離された最適化手法を開発した。 3つの ICU ベンチマーク (PhysioNet 2012 & 2019, MIMIC-III) において、GARLIC は結果予測における新しい最先端をセットし、AUROC と AUPRC を同等の計算コストで最高のパフォーマンスのベースラインよりも大幅に改善した。 アブレーション研究により各モジュールの寄与が確認され、単調な性能低下による重要属性の忠実度(全値> トップ50% > ランダム50% > ボトム50%)が検証された。 リアルタイムケーススタディでは、透明な説明を伴う行動可能なリスク警告が示されており、不規則にサンプリングされたICU時系列データに対する正確で説明可能な深層学習への大きな進歩を示している。 さらに、ICUドメイン以外の様々な時系列データセットにおいて、データ計算と分類における \proposed{} の優位性を実証し、より広範なタスクにその一般化性と適用性を示した。

関連論文リスト

• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• Using Explainability as a Training-Time Reliability Signal for Efficient ECG Classification [14.279568423870572]
  本稿では、効率的なECG分類のための説明可能性に基づく信頼性訓練信号ERTSを紹介する。 ERTSは、情報的不確実性と信頼できない不確実性を区別するために、トレーニング中に説明品質を使用する。 3つのECGデータセットと複数のバックボーンアーキテクチャにまたがるERTSを評価し,有効トレーニングコストの削減とともにマクロF1の改善が一貫したことを示す。
  論文  参考訳（メタデータ） (2026-06-10T15:55:00Z)
• 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)
• TANDEM: Temporal Attention-guided Neural Differential Equations for Missingness in Time Series Classification [13.404503606887717]
  TANDEMは注意誘導型ニューラルネットワーク微分方程式フレームワークで、時系列データを欠落した値で効果的に分類する。 TANDEMを30のベンチマークデータセットと実世界の医療データセットで評価した。
  論文  参考訳（メタデータ） (2025-08-24T20:59:14Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Explainable Spatio-Temporal GCNNs for Irregular Multivariate Time Series: Architecture and Application to ICU Patient Data [7.433698348783128]
  XST-CNN(eXG-Temporal Graph Conal Neural Network)は、不均一で不規則なマルチ時系列(MTS)データを処理するための新しいアーキテクチャである。 提案手法は,GCNNパイプラインを利用して時間的・時間的統合パイプライン内での時間的特徴を捉える。 ICU患者のマルチドラッグ抵抗(MDR)を予測するために,実世界の電子健康記録データを用いてXST-CNNを評価した。
  論文  参考訳（メタデータ） (2024-11-01T22:53:17Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Spatio-Temporal Attention Graph Neural Network for Remaining Useful Life Prediction [1.831835396047386]
  本研究では,時空間注意グラフニューラルネットワークを提案する。 本モデルでは,空間的・時間的特徴抽出のために,グラフニューラルネットワークと時間的畳み込みニューラルネットワークを組み合わせる。 C-MAPSSデータセットを用いて、クラスタリング正規化とクラスタリング正規化の影響を評価するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-01-29T08:49:53Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• Knowledge Enhanced Conditional Imputation for Healthcare Time-series [9.937117045677923]
  Conditional Self-Attention Imputation (CSAI)は、複雑な欠落データパターンの課題に対処するために設計された、新しいリカレントニューラルネットワークアーキテクチャである。 CSAIは、EHRデータ特性に特化して、現在の最先端のニューラルネットワークベースの計算手法を拡張している。 この研究は、アルゴリズム的計算を臨床的現実とより緊密に整合させることにより、ERHに適用されるニューラルネットワーク計算の状態を著しく改善する。
  論文  参考訳（メタデータ） (2023-12-27T20:42:40Z)
• Multi-view Integration Learning for Irregularly-sampled Clinical Time Series [1.9639092030562577]
  不規則な時系列データからの多視点機能統合学習をインピーダンスフリーで自己保持機構で提案する。 我々は,観測値の関連性,指標の欠如,連続観測間の時間間隔を同時に学習する。 我々は,マルチビュー観察における相互関係の表現学習を促進するために,注意に基づくデコーダを欠落値インプタとして構築する。
  論文  参考訳（メタデータ） (2021-01-25T10:02:50Z)

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。