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

• arxiv url: http://arxiv.org/abs/2609.28199v2
• Date: Fri, 25 Sep 2026 01:14:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.045995
• 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: 変換可能なエビデンス再構成(TER: Transferable evidence Regressor)を導入する: リッジ回帰器は1つの群の表現から証拠に適合し、それを再適合することなくアイデンティティ非結合なグループで予測する。 連続グルコースモニタリング(CGM)では、クロックアウェアエンコーディングは証拠回収に必要な複数日の内容とタイミングを保存している。
• 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 often lies in rare events, sustained burden, and recurring patterns. These properties can be computed as label-free evidence, but directly using them as features leaves limited labeled data to separate reproducible associations from sample-specific ones. Learning to reconstruct evidence can exploit unlabeled recordings, yet joint reconstruction does not explicitly require the decoding rule to transfer across individuals. We introduce transferable evidence reconstruction (TER): a Ridge regressor fits evidence from representations in one group and predicts it in an identity-disjoint group without refitting. The transfer error trains the encoder through the differentiable fit. For continuous glucose monitoring (CGM), clock-aware encoding preserves the multi-day content and timing needed for evidence recovery. Matched interventions connect the gains to reduced fitting-group sensitivity, with structured targets improving on raw recovery. Across ten leading CGM and time-series baselines, TER sets a new best metric on 12/14 phenotype tasks and exceeds the strongest prior overall PR-AUC/ROC-AUC/Macro-F1 by 4.95/4.43/0.66 percentage points; the PR-AUC and ROC-AUC gains are $2.6\times$ and $2.2\times$ the respective gaps between the two strongest baselines. Meal-response and future-CGM studies further demonstrate predictive utility. TER thus uses meaningful signal properties to supervise not only what a representation preserves, but how reliably it can be read across individuals.
• Abstract（参考訳）: 長い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、持続的な負担、反復的なパターンにしばしば含まれる。 これらの特性はラベルのないエビデンスとして計算できるが、特定のサンプルと再現可能な関連を分離するためにラベル付きデータのみを特徴として直接使用する。 証拠を再構築する学習は、ラベルのない記録を活用できるが、共同再構築では、個人間での転送に復号規則を明示的に必要としない。 変換可能なエビデンス再構成(TER: Transferable evidence Regressor)を導入する: リッジ回帰器は1つの群の表現から証拠に適合し、それを再適合することなくアイデンティティ非結合なグループで予測する。 転送エラーは、エンコーダを異なる適合度で訓練する。 連続グルコースモニタリング(CGM)では、クロックアウェアエンコーディングは証拠回収に必要な複数日の内容とタイミングを保存している。 一致した介入は利得を結合し、適合グループの感度を低下させ、構造的標的は生の回復を改善する。 10つの主要なCGMと時系列ベースラインで、TERは12/14の表現型タスクに新しい最高の指標を設定し、PR-AUC/ROC-AUC/Macro-F1を4.95/4.43/0.66ポイント上回り、PR-AUCとROC-AUCのゲインは2.6\times$と2.2\times$である。 食事応答と将来のCGM研究は、さらに予測ユーティリティを実証している。 したがって、TERは意味のある信号特性を使用して、表現が保存されているだけでなく、個人間でいかに確実に読み取ることができるかを監督する。

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。