論文の概要: Evaluating Deep Multivariate Imputation Models on Wearable Device Data

• arxiv url: http://arxiv.org/abs/2608.24436v1
• Date: Tue, 25 Aug 2026 11:48:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.952755
• Title: Evaluating Deep Multivariate Imputation Models on Wearable Device Data
• Title（参考訳）: ウェアラブルデバイスデータを用いた深部多変量計算モデルの評価
• Abstract要約: BRITS(英語版)やSAITS(英語版)のような深い計算手法は、現実的な欠損下でのマルチモーダルな生理的データに対して限定的な評価を受けている。 トレーニングデータから連続した欠落テンプレートをマイニングし,ギャップ長単位の量子化によって階層化し,コミストネス構造を保存したブロックマスクとして注入する評価プロトコルを開発した。 一致したトレーニングプロトコルが同一の欠損分布にモデルを公開することで、BRITSの重いギャップMAEを43%削減する。
• 参考スコア（独自算出の注目度）: 1.9474251417198067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wearable device data enables continuous health monitoring, but suffers from structured missingness: features sharing a physical sensor drop out together. Deep imputation methods such as BRITS and SAITS have seen limited evaluation on multimodal physiological data under realistic missingness, and existing benchmarks use random-point holdout protocols that incorrectly assume missingness is independent across features and time. Using data from a person with epilepsy recorded on a Garmin smartwatch, we develop an evaluation protocol that mines contiguous missing-run templates from training data, stratifies them by per-feature gap-length quantiles, and injects them as block masks with preserved co-missingness structure. A matched training protocol exposing models to the same missingness distribution reduces BRITS's severe-gap MAE by 43%, demonstrating the potential benefit of the proposed evaluation and training protocol within this single-participant dataset. We further extend BRITS with time-of-day encoding and a circadian harmonic channel. No single model dominates: linear interpolation is optimal for slow-moving features over short gaps; extended BRITS achieves lower MAE on dynamic cardiac features in moderate and severe gaps; and SAITS better preserves the ground-truth distribution by Jensen-Shannon distance despite higher MAE. Ultimately, model rankings strongly depend on evaluation designs. By exposing how traditional evaluation methods obscure true model capabilities, our transferable protocol establishes critical steps towards developing better imputation strategies for future multi-sensor wearable datasets.
• Abstract（参考訳）: ウェアラブルデバイスデータは、継続的な健康モニタリングを可能にするが、構造化された欠如に悩まされる。 BRITSやSAITSのような深い計算手法では、現実的な欠如の下では、マルチモーダルな生理的データに対して限られた評価が行われており、既存のベンチマークでは、不備が特徴や時間にわたって独立していると誤って仮定するランダムポイントのホールドアウトプロトコルが使用されている。 ガーミンスマートウォッチに記録されたてんかん患者のデータを用いて、トレーニングデータから連続した欠失テンプレートをマイニングし、間隙長量子化によって層分けし、保存された共欠性構造を持つブロックマスクとして注入する評価プロトコルを開発した。 一致したトレーニングプロトコルが同じ不足分布にモデルを公開することにより、BRITSの重いギャップMAEが43%削減され、この単一参加者データセット内で提案された評価およびトレーニングプロトコルの潜在的なメリットが示される。 さらに、BRITSを日時符号化と概日高調波チャネルで拡張する。 線形補間は短い間隙よりも遅い運動特性に最適であり、拡張BRITSは中等度および重度の間隙における動的心的特徴の低いMAEを達成し、SAITSはより高いMAEにもかかわらずジェンセン-シャノン距離による地中構造分布の保存を良くする。 最終的に、モデルランキングは評価設計に強く依存する。 従来の評価手法が真のモデル能力を如何に隠すかを明らかにすることで、トランスファー可能なプロトコルは、将来のマルチセンサーウェアラブルデータセットのためのより良い計算戦略を開発するための重要なステップを確立します。

関連論文リスト

• Probabilistic indirect models for undrained shear strength: addressing significant data missing and variability with advanced imputation and machine learning techniques [3.6913038494792656]
  非乾燥せん断強度(su)の正確な予測は、ジオテクニカル設計には不可欠であるが、しばしばかなりの不確実性によって妨げられる。 本研究ではCLAY/10/7490グローバルデータベースを用いて確率的間接モデルを構築し,Suを予測する。
  論文  参考訳（メタデータ） (2026-08-14T04:15:16Z)
• 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)
• SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis [0.6882042556551609]
  生存拡散確率モデル(Survival Diffusion Probabilistic Model, SDPM)は、持続的生存分析のための生成的アプローチである。 SDPMは、標準化されたログタイムと検閲指標の連続したガウス混合表現を用いて、変換されたターゲット空間で動作する。 その結果,SDPMはC-index,統合時間依存型AUC,統合型Brierスコア間での競合予測性能が得られた。
  論文  参考訳（メタデータ） (2026-05-21T17:33:47Z)
• Learning with Restricted Boltzmann Machines: Asymptotics of AMP and GD in High Dimensions [31.75902683077129]
  Restricted Boltzmann Machine (RBM) は、入力分布を学習できる最も単純な生成ニューラルネットワークの1つである。 我々は、標準的なRBMトレーニング目標を、非分離正則化を伴うマルチインデックスモデルと同等の形式に単純化する。 特に, RBM が BBP 遷移と整合して, 最適計算弱回復しきい値に達することを示す。
  論文  参考訳（メタデータ） (2025-05-23T15:51:46Z)
• Interpretable Deep Regression Models with Interval-Censored Failure Time Data [1.2993568435938014]
  間隔制限付きデータの深層学習手法は、まだ探索が過小評価されており、特定のデータタイプやモデルに限られている。 本研究は、部分線形変換モデルの幅広いクラスを持つ区間知覚データに対する一般的な回帰フレームワークを提案する。 我々の手法をアルツハイマー病神経イメージングイニシアチブデータセットに適用すると、従来のアプローチと比較して新しい洞察と予測性能が向上する。
  論文  参考訳（メタデータ） (2025-03-25T15:27:32Z)
• Latent Space Score-based Diffusion Model for Probabilistic Multivariate Time Series Imputation [6.9295879301090535]
  確率的時系列計算のための遅延空間スコアベース拡散モデル(LSSDM)を提案する。 LSSDMは、計算機構のより良い説明と不確実性解析を提供しながら、優れた計算性能を実現する。
  論文  参考訳（メタデータ） (2024-09-13T15:32:26Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• PRISM: Mitigating EHR Data Sparsity via Learning from Missing Feature Calibrated Prototype Patient Representations [7.075420686441701]
  PRISMは、類似した患者のプロトタイプ表現を活用することで、データを間接的にインプットするフレームワークである。 PRISMには、ステータスの欠如を考慮した各機能の信頼性を評価する機能信頼モジュールも含まれている。 MIMIC-III, MIMIC-IV, PhysioNet Challenge 2012, eICU データセットを用いた実験により, PRISM の院内死亡予測と30日間の読解作業における優れた性能が示された。
  論文  参考訳（メタデータ） (2023-09-08T07:01:38Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。