論文の概要: Explainable Prediction from Mobile Sensing Data through LLM-guided Concept Integration

• arxiv url: http://arxiv.org/abs/2609.11995v1
• Date: Wed, 09 Sep 2026 21:32:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.483575
• Title: Explainable Prediction from Mobile Sensing Data through LLM-guided Concept Integration
• Title（参考訳）: LLM誘導概念統合によるモバイルセンシングデータからの説明可能な予測
• Abstract要約: 我々は,モバイルセンシングデータから説明可能な予測を行うため,LLM誘導型コンセプトインテグレート・トランスフォーマ(CIT)を開発した。 AFFECT (0.756) と PHQ-9 データセット (0.765) で最高点を達成している。 これらの知見は,小型コホート移動センシング研究において,LLM誘導の概念統合をサポートし,正確かつ解釈可能な予測を行う。
• 参考スコア（独自算出の注目度）: 3.7591941235479216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile sensing enables longitudinal monitoring of behavioral and physiological patterns in everyday settings. However, accurate prediction remains challenging in small-cohort health-sensing studies, where task-specific outcome supervision is limited relative to heterogeneous sensing data. Interpretability is also important, as model outputs should reflect meaningful behavioral and physiological patterns rather than predictive scores alone. We develop a Concept-Integrated Transformer (CIT) with LLM-guided concept supervision for explainable prediction from mobile sensing data. CIT uses a pretrained large language model to generate baseline-aware concept abnormality targets with confidence weights without manual concept annotation. Across two longitudinal datasets, CIT achieves the highest F1 score on AFFECT (0.756) and ties for the highest on a PHQ-9 dataset (0.765). The learned concept scores also reveal interpretable behavioral and physiological patterns; in AFFECT, sleep quantity and quality show the clearest difference between high and low negative affect groups. These findings support LLM-guided concept integration for accurate and interpretable prediction in small-cohort mobile sensing studies.
• Abstract（参考訳）: モバイルセンシングは、日常生活における行動パターンと生理パターンの経時的モニタリングを可能にする。 しかし、タスク固有の結果管理が不均一なセンシングデータに対して制限される、小さなコホートな健康センシング研究においては、正確な予測は依然として困難である。 解釈可能性もまた重要であり、モデル出力は予測スコアだけでなく、意味のある行動や生理的なパターンを反映すべきである。 モバイルセンシングデータから説明可能な予測を行うため,LLM誘導型コンセプトインテグレート・トランスフォーマ(CIT)を開発した。 CITは、トレーニング済みの大規模言語モデルを使用して、手動の概念アノテーションなしで信頼度重み付きベースライン認識概念異常ターゲットを生成する。 2つの縦断データセットで、CITはAFECT (0.756) で最高スコアを達成し、PHQ-9データセット (0.765) で最高スコアを達成している。 学習された概念スコアは、解釈可能な行動パターンと生理的パターンも示しており、AFFECTでは、睡眠量と品質は、高い影響群と低い影響群の最も明確な違いを示している。 これらの知見は,小型コホート移動センシング研究において,LLM誘導の概念統合をサポートし,正確かつ解釈可能な予測を行う。

関連論文リスト

• Towards a General Intelligence and Interface for Wearable Health Data [45.854819784803055]
  本研究では,1兆分以上の未ラベルセンサ信号に基づいて,ウェアラブルヘルスの基盤モデルを提案する。 この集団スケールの表現は、ラベル効率のよい少数ショット学習と生成能力を有効化して、1日あたりのロバストな計量推定を行う。
  論文  参考訳（メタデータ） (2026-05-21T17:24:06Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Enhancing Epidemic Forecasting: Evaluating the Role of Mobility Data and Graph Convolutional Networks [9.460023981858319]
  本研究は,機械学習アルゴリズムと疫学応用とのギャップに対処する。 まず、パイロットスタディを通じてモビリティデータの重要性を評価し、次に、トランスフォーマーバックボーンに対するグラフ畳み込みネットワーク(GCN)の影響を評価する。 以上の結果から, 移動データとGCNモジュールは予測性能を著しく向上させるものではないが, 死亡率と入院率のデータはモデル精度を著しく向上させることが明らかとなった。
  論文  参考訳（メタデータ） (2025-05-20T12:23:18Z)
• Meta-Representational Predictive Coding: Biomimetic Self-Supervised Learning [51.22185316175418]
  メタ表現予測符号化(MPC)と呼ばれる新しい予測符号化方式を提案する。 MPCは、並列ストリームにまたがる感覚入力の表現を予測することを学ぶことによって、感覚入力の生成モデルを学ぶ必要性を助長する。
  論文  参考訳（メタデータ） (2025-03-22T22:13:14Z)
• I Predict Therefore I Am: Is Next Token Prediction Enough to Learn Human-Interpretable Concepts from Data? [76.15163242945813]
  大規模言語モデル (LLM) は、多くの人が知能の形式を示すと結論づけている。 本稿では,潜在離散変数として表現される人間解釈可能な概念に基づいてトークンを生成する新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-12T01:21:17Z)
• Explaining Human Activity Recognition with SHAP: Validating Insights with Perturbation and Quantitative Measures [0.1398098625978622]
  本稿では SHapley Additive exPlanations を用いてグラフ畳み込みネットワーク(GCN)の意思決定プロセスを説明する。 我々は、脳性麻痺(CP)分類のための2つの実世界のデータセットと、広く使われているNTU RGB+D 60行動認識データセットについて、SHAPを用いて説明する。 どちらのデータセットでも、SHAPによって重要視されるボディキーポイントが、正確性、特異性、感度の指標に最も大きな影響を与えることが示されている。
  論文  参考訳（メタデータ） (2024-11-06T07:28:57Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Interpreting Pretrained Language Models via Concept Bottlenecks [55.47515772358389]
  事前訓練された言語モデル(PLM)は、様々な自然言語処理タスクにおいて大きな進歩を遂げてきた。 ブラックボックスの性質による解釈可能性の欠如は、責任ある実装に課題をもたらす。 本研究では,人間にとって理解しやすい高レベルで有意義な概念を用いて,PLMを解釈する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T20:41:18Z)
• QXAI: Explainable AI Framework for Quantitative Analysis in Patient Monitoring Systems [9.29069202652354]
  定量的分析のための説明可能なAI(QXAI)フレームワークは、回帰および分類タスクのポストホックモデル説明可能性と本質的な説明可能性によって提案される。 我々は,センサデータに基づく心拍数予測と身体活動の分類を行うために,人工ニューラルネットワーク (ANN) と注意に基づく双方向LSTM (BiLSTM) モデルを採用した。
  論文  参考訳（メタデータ） (2023-09-19T03:50:30Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。