論文の概要: Representation Is Not Enough: Body-Localized Thermal Evidence for Contactless Stress and Craving Sensing in Opioid Use Disorder

• arxiv url: http://arxiv.org/abs/2608.16087v2
• Date: Tue, 25 Aug 2026 07:18:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:33.600047
• Title: Representation Is Not Enough: Body-Localized Thermal Evidence for Contactless Stress and Craving Sensing in Opioid Use Disorder
• Title（参考訳）: ボディローカライズドサーマルエビデンスによるオピオイド使用障害の非接触ストレスとクレービングセンシング
• Authors: Sachin Deb, Harshit Sharma, Asif Salekin,
• Abstract要約: FABLE-Thermは最終決定まで、身体領域、時間、エンコーダ固有の表現にまたがる局所的な証拠を保存する。 オピオイド・ユース障害(OUD)ではストレスが大きな再発の引き金となり,早期回復には持続的なウェアラブルの使用が困難である。 固定熱ビデオを用いて、FABLE-Thermはホールドアウト参加者に対して0.938 AUROCを達成し、その学習された表現は自己報告のクレービングに転送される。
• 参考スコア（独自算出の注目度）: 2.7310171802144136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Removing wearables from physiological monitoring also removes their supervision: the signal indicating where and when a stress response occurred. Contactless stress sensing therefore becomes a weakly supervised evidence-localization problem, where a clip-level label must be traced to the body regions and moments that produced it. We address this with FABLE-Therm, a weakly supervised architecture that preserves localized evidence across body regions, time, and encoder-specific representations until the final decision. FABLE-Therm fuses frozen foundation-model encoders at the embedding level, with theory explaining why localized fusion can outperform feature concatenation and prediction averaging. We study this problem in opioid use disorder (OUD), where stress is a major relapse trigger and sustained wearable use can be difficult during early recovery. Using fixed thermal video, FABLE-Therm achieves 0.938 AUROC on held-out participants, and its learned representation transfers to self-reported craving, providing, to our knowledge, the first evidence that craving can be recovered from contactless thermal video. Localized evidence also enables participant-level analysis of deployment failure. We find that improving representation alone is insufficient for equitable deployment: additional data from the underserved group would recover only about half of the cohort gap, while the remainder reflects person-to-person heterogeneity. This modality-agnostic decomposition applies to models with identifiable subpopulations. Together with the first cohort-structured contactless thermal OUD benchmark, our results show that preserving localized evidence supports both accurate sensing and principled analysis of who a model fails and why.
• Abstract（参考訳）: 生理的モニタリングからウェアラブルを取り除くことで、ストレス反応の発生場所とタイミングを示す信号も取り除かれる。 したがって、接触のないストレスセンシングは、クリップレベルのラベルを、それを生成した身体領域とモーメントにトレースしなければならない、弱制御されたエビデンス-ローカライゼーション問題となる。 FABLE-Thermは、最終決定まで、身体領域、時間、エンコーダ固有の表現にまたがる局所的な証拠を保存する弱い教師付きアーキテクチャである。 FABLE-Thermは、ファウンデーションモデルエンコーダを埋め込みレベルで融合させ、なぜ局所融合が特徴連結と予測平均よりも優れているのかを説明する理論である。 オピオイド・ユース障害(OUD)ではストレスが大きな再発の引き金となり,早期回復には持続的なウェアラブルの使用が困難である。 FABLE-Thermは、固定熱ビデオを用いてホールドアウト参加者に対して0.938 AUROCを達成し、その学習された表現は自己報告された熱ビデオに転送され、私たちの知る限り、クレービングが接触のない熱ビデオから回復できるという最初の証拠となる。 ローカライズされたエビデンスにより、デプロイメント障害の参加者レベル分析が可能になる。 その結果,表現力の向上だけでは公平な展開には不十分であることが判明した。非保存群からの追加データではコホートギャップの約半分が回復し,残りは対人不均一性を反映している。 このモダリティに依存しない分解は、特定可能なサブポピュレーションを持つモデルに適用される。 最初のコホート構造を持つ非接触熱OUDベンチマークと合わせて, 局所的証拠の保存は, モデルが故障した理由の正確な検知と原理解析の両方を裏付けることを示した。

関連論文リスト

• RETRACE: Resilience-Guided Trait-Conditioned Craving Estimation from Wearable Physiology in Opioid Use Disorder [4.552324147638086]
  RETRACEは、ウェアラブル生理学からの主観非依存的クレービング推定のためのレジリエンス誘導フレームワークである。 RETRACEは、特性条件の生理的解釈として検出を切望する。 レジリエンス関連の主題コンテキストを使用して推論をガイドする。
  論文  参考訳（メタデータ） (2026-08-15T00:05:16Z)
• Purified OPSD: On-Policy Self-Distillation Without Losing How to Think [52.879387744920415]
  オンライン自己蒸留(OPSD)は長いチェーン・オブ・ソート(Long-CoT)推論モデルでは一貫して失敗する。 まず,教師が指導信号の非伝達可能成分を分離するために,参照のみの教師を構築する。 第2に、この残差をよく形成されたPMIターゲット分布に変換するメカニズムとして、ポイントワイズ相互情報(PMI)を用いる。
  論文  参考訳（メタデータ） (2026-07-02T14:33:07Z)
• When Are Neural Interaction Discoveries Real? Identifiability, Recoverability, and a Pre-Fit Diagnostic [0.0]
  これは基本的には、観測された入力支援の幾何学によって支配される識別可能性の問題である。 表現能力が識別可能でないことを示す。 相互作用の回復性はサポート幾何学に依存することを示す。
  論文  参考訳（メタデータ） (2026-06-07T00:52:43Z)
• The Cost of Context: Mitigating Textual Bias in Multimodal Retrieval-Augmented Generation [18.83395586542378]
  MLLM(Multimodal Large Language Models)とRAG(Retrieval-Augmented Generation)の統合が進んでいる 再破壊現象を特定し, 定式化した上で, 完全に正確な「おかしな」コンテキストを導入することで, 有能なモデルが早期に正しい予測を放棄する。 本稿では,BAIR(Bottleneck Attention Intervention for Recovery)を提案する。
  論文  参考訳（メタデータ） (2026-05-07T02:27:04Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。