論文の概要: Adaptive Multi-Agent Feature Selection for Personalized Fall Risk Prevention
- arxiv url: http://arxiv.org/abs/2608.18450v1
- Date: Wed, 19 Aug 2026 02:25:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.257179
- Title: Adaptive Multi-Agent Feature Selection for Personalized Fall Risk Prevention
- Title（参考訳）: パーソナライズされた転倒リスク予防のための適応型マルチエージェント特徴選択
- Abstract要約: 転倒リスク同定とpReventionのためのパーソナライズされ適応的な特徴選択フレームワークであるPAFIRを提案する。
PAFIRをPhylo fEedback Exercise pRogram cluster-randomized trialのデータに適用する。
選択した機能に時間をかけて適応することにより、PAFIRはよりタイムリーでパーソナライズされた転倒防止戦略をサポートする。
- 参考スコア（独自算出の注目度）: 22.781709642461564
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Falls among older adults represent a major public health challenge driven by complex, time-varying interactions across multiple risk domains. Effective fall risk factor identification requires learning from heterogeneous longitudinal data while accounting for sparse and delayed fall-related outcome events. However, existing approaches are largely static and fail to adaptively model evolving, individualized risk factors across modalities and time. We propose PAFIR, a Personalized and Adaptive Feature selection framework for fall risk Identification and pRevention, which formulates adaptive feature selection as a reinforcement learning problem over longitudinal multimodal health data. PAFIR jointly models structural dependencies among correlated assessment variables and temporal dynamics in wearable-derived physical activity data, and learns adaptive selection policies across repeated study visits using reward signals derived from sparse fall incidence outcomes. We apply PAFIR to data from the Physio fEedback Exercise pRogram (PEER) cluster-randomized trial. Experimental results demonstrate that PAFIR more effectively captures longitudinal and structural patterns of feature relevance than state-of-the-art baselines, and enables dynamic, subject-specific feature selection. By adapting selected features over time, PAFIR supports more timely and personalized fall prevention strategies.
- Abstract（参考訳）: 高齢者の転倒は、複数のリスクドメインにまたがる複雑な時間変化の相互作用によって引き起こされる、公衆衛生上の大きな課題を表している。
効果的な転倒リスク要因の同定には、スパースおよび遅延転倒関連結果イベントを考慮に入れながら、異種縦断データから学習する必要がある。
しかし、既存のアプローチは概ね静的であり、適応的に進化するリスクファクターをモダリティと時間にわたってモデル化することができない。
転倒リスク同定とpReventionのためのパーソナライズド・アダプティブな特徴選択フレームワークであるPAFIRを提案する。
PAFIRは、ウェアラブル由来の身体活動データにおける相関評価変数と時間的ダイナミクス間の構造的依存関係を共同でモデル化し、スパースフォール発生結果から得られる報酬信号を用いて、繰り返しの学習訪問における適応的選択ポリシーを学習する。
PAFIRをPhylo fEedback Exercise pRogram(PEER)クラスタランダム化試験のデータに適用する。
実験により,PAFIRは最先端のベースラインよりも長手および構造的特徴関連パターンをより効果的に捉え,動的,主観的特徴選択を可能にすることが示された。
選択した機能に時間をかけて適応することにより、PAFIRはよりタイムリーでパーソナライズされた転倒防止戦略をサポートする。
関連論文リスト
- Behavioural Signatures of Risk-Sensitive Decision-Making in Large Language Models [121.70781851874035]
大規模言語モデル(LLM)は、意思決定支援にますます使われている。
不確実性の下での選択が安定かつ解釈可能な行動規則性を示すかどうかを理解することが重要である。
本稿では,無制限テキサスホールドエムに基づく制御型マルチモデルフレームワークを用いて,この問題について検討する。
論文 参考訳（メタデータ） (2026-07-11T10:33:39Z) - A Guide to Estimating Conditional Average Treatment Effects in Competing Risks Settings [1.7900262205172117]
パーソナライズド医療における条件平均治療効果(CATE)は治療決定の中心である。
競合するリスク設定では、生存データからCATEを推定することで、患者固有の治療効果の評価が可能になる。
競合するリスクシナリオにおけるCATE推定に機械学習アルゴリズムを適用するメタラーナーについて検討する。
論文 参考訳（メタデータ） (2026-06-08T15:58:08Z) - Machine Learning Approaches to Clinical Risk Prediction: Multi-Scale Temporal Alignment in Electronic Health Records [2.9576397177561087]
本研究では,マルチスケール時間アライメントネットワーク(MSTAN)に基づくリスク予測手法を提案する。
電子健康記録(EHR)における時間的不規則性、サンプリング間隔差、およびマルチスケールダイナミック依存関係の課題に対処する。
EHRデータセットで実施された実験によると、提案されたモデルは、精度、リコール、精度、F1-Scoreのメインストリームベースラインを上回っている。
論文 参考訳（メタデータ） (2025-11-26T16:33:59Z) - Deep Learning Approach for Clinical Risk Identification Using Transformer Modeling of Heterogeneous EHR Data [0.0]
本研究では,トランスフォーマーを用いた経時的モデリング手法を提案し,異種ERHデータを用いた臨床リスク分類の課題に対処する。
この方法はマルチソース医療機能を入力とし、構造化データと非構造化データの統一表現を実現するために特徴埋め込み層を用いる。
実験結果から,提案モデルは従来の機械学習モデルや時間的深層学習モデルよりも精度,リコール,精度,F1スコアで優れていた。
論文 参考訳（メタデータ） (2025-11-06T08:02:21Z) - More is Less: The Pitfalls of Multi-Model Synthetic Preference Data in DPO Safety Alignment [80.04449725137177]
直接選好最適化(DPO)は、人間のフィードバックによる強化学習の、シンプルで効果的な代替手段として登場した。
我々の研究は、DPOアライメントに関連する、目覚ましい、安全性に特有な現象を明らかにした。
選択されたペアと拒否されたペアに対してのみ自己生成されたレスポンスを使用することで、より強力なモデルからのレスポンスを含む構成を大幅に上回る。
論文 参考訳（メタデータ） (2025-04-03T00:36:40Z) - SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。
SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
論文 参考訳（メタデータ） (2024-09-19T12:35:25Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in
Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。
T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文 参考訳（メタデータ） (2023-02-24T13:30:35Z) - Adaptive Sequential Surveillance with Network and Temporal Dependence [1.7205106391379026]
戦略的なテストアロケーションは、パンデミックと既存のパンデミックの両方のコントロールにおいて重要な役割を果たしている。
感染症の監視は、ユニークな統計上の課題を提示する。
適応型シーケンシャル監視のためのオンライン・スーパーラーナーを提案する。
論文 参考訳（メタデータ） (2022-12-05T17:04:17Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。