論文の概要: SMOTE-VAR: An Uncertainty-Aware Oversampling Method for Predicting Depression Remission in University Students

• arxiv url: http://arxiv.org/abs/2608.30102v1
• Date: Mon, 31 Aug 2026 00:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.178912
• Title: SMOTE-VAR: An Uncertainty-Aware Oversampling Method for Predicting Depression Remission in University Students
• Title（参考訳）: SMOTE-VAR:大学生のうつ病再発予測のための不確かさを意識したオーバーサンプリング手法
• Abstract要約: 大学生は、うつ病などの一般的なメンタルヘルスの状態を非常に高い率で経験する。 成績の悪い生徒を識別するための新しいアプローチは、より早く、よりターゲットを絞った介入を可能にする。
• 参考スコア（独自算出の注目度）: 24.004028050595178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: University students experience disproportionately high rates of common mental health conditions, such as depression, which can impair learning, social functioning, and overall well-being. Although lifestyle interventions such as mindfulness and physical activity can reduce the symptoms, many do not achieve symptomatic remission. Developing new approaches to identify students with poor outcomes could enable earlier and more targeted intervention. Machine learning (ML) methods have increasingly been used to predict remission in depressive patients. However, these ML models often suffer from class imbalance, where there may be an unequal proportion of people in the remitted group relative to the non-remitted group. This imbalance can reduce model accuracy and bias predictions. To address this, studies commonly employ the popular oversampling strategy SMOTE. However, SMOTE has a notable limitation: it may generate invalid synthetic minority samples. In a clinical context, these false positives can lead to incorrect risk stratification, potentially delaying necessary escalated care for patients unlikely to remit. In this paper, we introduce a novel and effective oversampling method that addresses this shortcoming. Our approach leverages the variance function of a Gaussian process to estimate the uncertainty of generated minority samples to reduce false positives. We validate our method on a depression dataset collected from university students and demonstrate that it is better than existing oversampling approaches in predicting remission (i.e., treatment outcome). By improving the reliable identification of non-responders, our method provides a robust computational tool to help clinicians rapidly pivot to adjunctive therapies, thereby personalizing and optimizing mental health care pathways.
• Abstract（参考訳）: 大学生は、学習、社会的機能、全体的な幸福感を損なうおそれのあるうつ病のような一般的な精神状態の低い率を経験する。 マインドフルネスや身体活動のようなライフスタイルの介入は症状を減少させるが、多くの人は症状の寛解を達成しない。 成績の悪い生徒を識別するための新しいアプローチを開発することで、より早く、よりターゲットを絞った介入が可能になる。 機械学習(ML)手法は、うつ病患者の寛解を予測するためにますます使われてきている。 しかし、これらのMLモデルは、しばしばクラス不均衡に悩まされ、非制限群と比較して、制限群に不平等な割合の人々がいる可能性がある。 この不均衡はモデルの精度とバイアス予測を減少させる。 これを解決するために、一般的なオーバーサンプリング戦略であるSMOTEを用いるのが一般的である。 しかし、SMOTEには顕著な制限があり、無効な合成マイノリティサンプルを生成する可能性がある。 臨床的な文脈では、これらの偽陽性は誤ったリスク階層化を招き、患者の必要なエスカレートケアを遅らせる可能性がある。 本稿では,この欠点に対処する,新規かつ効果的なオーバーサンプリング手法を提案する。 提案手法はガウス過程の分散関数を利用して生成した少数標本の不確かさを推定し,偽陽性を低減させる。 本手法は,大学生が収集したうつ病データセット上で検証し,寛解(治療成績)を予測する上で,既存のオーバーサンプリング手法よりも優れていることを示す。 本手法は,非対応者の信頼性を向上することにより,臨床医が適応療法に迅速に対応し,メンタルヘルスケアの経路をパーソナライズし,最適化するのに役立つ,堅牢な計算ツールを提供する。

関連論文リスト

• Power Constrained Nonstationary Bandits with Habituation and Recovery Dynamics [0.9699640804685629]
  本稿では,ROGUEフレームワークに適したトンプソンサンプリングアルゴリズムを提案する。 次に、パーソナライゼーションと集団レベルの学習のバランスをとるために、確率的クリッピング手法を導入する。 マイクロランダム化試験を設計する研究者にとって、我々のフレームワークはパーソナライズと統計的妥当性のバランスをとるための実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-11-04T19:46:42Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Using Random Effects Machine Learning Algorithms to Identify Vulnerability to Depression [0.48733623015338234]
  本研究では、データ駆動機械学習(ML)手法を用いて、抑うつの最大のリスクでサブグループを分類するのに最も有用な変数を確実に特定できることを実証する。 我々はRE-EMツリーとMERFアルゴリズムを訓練し、それらを従来の線形混合モデル(LMM)と比較した。
  論文  参考訳（メタデータ） (2023-07-05T05:18:30Z)
• Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia [16.949993123698345]
  消化は認知症(PwD)で最も多い症状の1つである。 前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。 本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
  論文  参考訳（メタデータ） (2023-02-07T03:14:00Z)
• Informed Down-Sampled Lexicase Selection: Identifying productive training cases for efficient problem solving [40.683810697551166]
  遺伝的プログラミング(GP)は、しばしば大きなトレーニングセットを使用し、選択中にすべてのトレーニングケースですべての個人を評価する必要がある。 ランダムダウンサンプリングレキシケースの選択は、トレーニングケースのランダムなサブセットのみの個人を評価し、同じプログラム実行量でより多くの個人を探索できるようにする。 Informed Down-Sampled Lexicase Selectionでは、人口統計を用いて、より明瞭で情報的な訓練ケースを含むダウンサンプルを構築します。
  論文  参考訳（メタデータ） (2023-01-04T08:47:18Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。