論文の概要: Transferable Evidence Reconstruction for Longitudinal Glucose Representations

• arxiv url: http://arxiv.org/abs/2609.28199v1
• Date: Wed, 23 Sep 2026 14:38:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.065547
• Title: Transferable Evidence Reconstruction for Longitudinal Glucose Representations
• Title（参考訳）: 経時的グルコース表現のためのトランスファーブルエビデンス再構成
• Abstract要約: 構造化信号の証拠を明示的に優先する自己スーパービジョンについて検討する。 ラベルなし記録から証拠を構築するための転送可能なエビデンス再構成(TER)を導入する。 TERは、新しい低容量のリーダーを1つの録音グループに適合させ、他のグループで同じ証拠を修復することなく回収する必要がある。
• 参考スコア（独自算出の注目度）: 22.588909588255614
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Long physiological recordings contain many routine measurements, while predictive information is often concentrated in rare events, sustained burden, and recurring temporal patterns. Masked autoencoding recovers measurements; contrastive learning aligns views. We study self-supervision that explicitly prioritizes structured signal evidence. We introduce transferable evidence reconstruction (TER), which constructs evidence from unlabeled recordings, fits a fresh low-capacity reader on one recording group, and requires that reader to recover the same evidence in another group without refitting. Differentiating through this cross-group test learns representations with transferable evidence-decoding rules; the evidence guides self-supervision but is not used as a downstream feature. For continuous glucose monitoring (CGM), an observation-aware daily encoder and clock-aware multi-day memory bind glucose level and change to recorded time while organizing up to seven days of history. On the 14-task leaderboard, TER improves the strongest prior overall PR-AUC/ROC-AUC/Macro-F1 scores by 5.51/4.43/2.80 percentage points and sets a new best metric on 12/14 tasks. These leaderboard gains are 2.0-2.9 times the respective gaps between the two strongest baselines. With public pretraining data, folds, and the linear probe matched, TER outperforms our GlucoFM reproduction by 6.09/5.52/2.72 points. Target-reader ablations, same-history controls, and cross-person readouts support the combination of structured evidence, cross-group reader fitting, and learned multi-day organization.
• Abstract（参考訳）: 長期の生理的記録には多くの定期的な測定が含まれているが、予測情報は稀な出来事、持続的な重荷、反復的な時間的パターンに集中していることが多い。 マスクの自動符号化は測定を回復し、対照的な学習はビューを整列させる。 構造化信号の証拠を明示的に優先する自己スーパービジョンについて検討する。 本報告では, 記録記録から証拠を抽出し, 新たな低容量リーダを1つの記録グループに適合させ, 再適合なく他のグループに同一の証拠を回収するトランスファー可能なエビデンス再構築(TER)を提案する。 このクロスグループテストを通して微分することで、伝達可能なエビデンス復号規則で表現を学習し、エビデンスによって自己超越が導かれるが、下流の特徴として利用されない。 連続グルコースモニタリング(Continuous glucose monitoring, CGM)では、観測対応のデイリーエンコーダとクロック対応のマルチデイメモリがグルコースレベルと記録時間に結合し、最大7日間の履歴を整理する。 14タスクのリーダーボードでは、TERはPR-AUC/ROC-AUC/Macro-F1スコアを5.51/4.43/2.80ポイント改善し、12/14タスクで新しいベストメトリックを設定する。 これらのリーダーボードのゲインは、2つの最強ベースライン間のそれぞれのギャップの2.0-2.9倍である。 公的な事前学習データ、折りたたみ、線形プローブのマッチングにより、TERはGlucoFMの再生率を6.09/5.52/2.72ポイント上回る。 ターゲットリーダの廃止、同史コントロール、対人リーダアウトは、構造化されたエビデンス、クロスグループのリーダフィッティング、学習されたマルチデイ組織の組み合わせをサポートする。

関連論文リスト

• Anchoring Clinical Events in Time: UID-Preserving Multimodal Reconstruction and Source-Grounded Adjudication [2.981889575213664]
  本稿では,各物語イベントの発生をソーススパンにリンクするUDD保存フレームワークを提案する。 また,LLM判定器であるGAVELを,物語と構造化記録の2つのUID整列タイムラインと比較した。
  論文  参考訳（メタデータ） (2026-09-11T17:01:10Z)
• STRIVE: Multi-Agent Structured Temporal Reasoning with Integrated Verification for Longitudinal Radiology Report Generation [16.079764988150306]
  STRIVEは、臨床推論を専門的な診断、属性、時間変化剤に分解する。 経時的MIMICでは, STRIVEが近年の方法の中で最も有効である。
  論文  参考訳（メタデータ） (2026-08-25T08:43:15Z)
• Agentic Reinforcement Learning with Observation-Calibrated Self-Distillation [18.20369971970953]
  On-Policy Self-Distillation (OPSD)は、高密度のトークンレベルの監視を得るために、特権的なリプレイビューの下で生成されたトークンを再スコアする。 結果として得られるサポートは、リプレイビューに含まれる特権情報と、リプレイスキャフォールドによって誘導されるスコアシフトの両方を反映することができる。 本研究では, この問題点を解決するために, OCSD (Observatory-Calibrated Self-Distillation) を提案する。
  論文  参考訳（メタデータ） (2026-08-05T12:52:14Z)
• GROVE: Growing and Reasoning over Temporally Stratified Memory from Streaming Video Experience [67.55136435794206]
  ウェアラブルアシスタントは、その視覚的履歴に関する質問に答え、その歴史が現在の状況に有効であるかどうかを認識する。 GROVEは、連続的なビデオストリームから慎重に成長した1つのメモリで両方の動作をサポートする、トレーニング不要のフレームワークである。 GROVEは、きめ細かい知覚的証拠を保持し、それをタイムスタンプ化された瞬間、一貫性のあるエピソード、そして日々のパターンに漸進的に統合する。
  論文  参考訳（メタデータ） (2026-08-03T15:35:28Z)
• Hidden Forgetting in Continual Multimodal Learning: When Accuracy Survives but Grounding Fails [6.708653593551749]
  我々は,MLLMの継続的な適応が,その答えだけでなく,視覚的,テキスト的,OCR,チャート,文書的エビデンスをいかに活用するかを考察する。 モデルが異なるあるいは根拠のないエビデンスチャネルに静かに移行している間に、解答精度を保ちながら、エンフィデントエビデンス利用の忘れを識別する。 我々は,リプレイ不要な依存制約付き連続学習フレームワークであるtextscRCLを提案する。
  論文  参考訳（メタデータ） (2026-07-02T10:50:37Z)
• GlucoFM: A Dual-Stream Foundation Model for Continuous Glucose Monitoring [12.757891952959987]
  GlucoFMは連続グルコースモニタリング(CGM)のための軽量基盤モデルである 不規則な記録を24時間の時間格子に整列させ、観察マスクを保存し、グルコースのダイナミクスを遅い生理状態と過渡的なイベントストリームに分解する。 評価ベースライン間の最強主観差線形探索性能を実現する。
  論文  参考訳（メタデータ） (2026-05-29T05:46:35Z)
• FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
  時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。 レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。 我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
  論文  参考訳（メタデータ） (2026-04-14T17:04:25Z)
• Memory-T1: Reinforcement Learning for Temporal Reasoning in Multi-session Agents [80.33280979339123]
  強化学習(RL)を用いた時間認識メモリ選択ポリシーを学習するフレームワークであるMemory-T1を紹介する。 Time-Dialogベンチマークでは、Memory-T1が7Bモデルを67.0%に引き上げ、オープンソースモデルの新たな最先端パフォーマンスを確立した。
  論文  参考訳（メタデータ） (2025-12-23T06:37:29Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Self-Supervised Multi-Object Tracking For Autonomous Driving From Consistency Across Timescales [53.55369862746357]
  自己管理型マルチオブジェクトトラッカーは、生のドメイン固有データから学習できるという大きな可能性を秘めている。 しかし、その再識別精度は、監督対象よりも低い。 本稿では,複数の連続フレームから再同定特徴を自己教師付きで学習できる学習目標を提案する。
  論文  参考訳（メタデータ） (2023-04-25T20:47:29Z)

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。