論文の概要: MTLiquid: Enabling Efficient Multi-Task Learning using Liquid Neural Networks for Lightweight Healthcare Monitoring Systems

• arxiv url: http://arxiv.org/abs/2609.33232v1
• Date: Sun, 27 Sep 2026 05:21:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 02:02:24.057734
• Title: MTLiquid: Enabling Efficient Multi-Task Learning using Liquid Neural Networks for Lightweight Healthcare Monitoring Systems
• Title（参考訳）: MTLiquid:軽度医療モニタリングシステムのための液体ニューラルネットワークを用いた効率的なマルチタスク学習の実現
• Abstract要約: 本稿では,医療モニタリングシステムにおける連続処理におけるマルチタスク学習の効率化を目的としたMTLiquidを提案する。 MTLiquidは,2つの連続時間ネットワークにおいて,最先端のシングルタスク学習に匹敵する高い性能が得られることを示す。 これらの結果は、軽量な継続的医療監視システムを実現するためのMTLiquid手法の可能性を強調している。
• 参考スコア（独自算出の注目度）: 3.1061484260786014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous-time sensing and monitoring with timely and accurate decision-making are critical for many real-world applications. In healthcare monitoring systems, physiological signals are often available or sampled at irregular time intervals, hence requiring continuous-time processing to provide accurate prediction. Moreover, such systems often need to solve multiple detection/prediction tasks to provide a comprehensive patient review from different physiological aspects for more accurate decision-making. To solve this, continuous-time neural networks (CTNNs) can be employed. However, state-of-the-art works typically solve only one task at each network, thereby limiting their efficiency gains. To address this limitation, we propose MTLiquid, a novel methodology to enable efficient multi-task learning in continuous-time processing for healthcare monitoring systems through effective network design and training strategy. MTLiquid employs: (1) multiple input and output heads to accommodate different tasks, while sharing the same backbone network across tasks; as well as (2) an effective training strategy that leverages a loss-weighting technique to balance learning updates across different tasks and a proportional data presentation technique to address imbalanced dataset sizes. Experimental results for mortality prediction (P12) and sepsis early detection (P19) tasks for ICU patients show that, MTLiquid achieves strong performance (AUROC: 0.84 for P12 and 0.94 for P19) comparable to the state-of-the-art single-task learning in both continuous-time networks (AUROC: 0.84 for P12 and 0.95 for P19) and discrete-time networks (AUROC: 0.79-0.82 for P12 and 0.92-0.94 for P19), while incurring significantly smaller memory cost by 44%-94%. These results highlight the potential of our MTLiquid methodology to enable lightweight continuous-time healthcare monitoring systems for better decision-making.
• Abstract（参考訳）: リアルタイムのセンシングと、タイムリーで正確な意思決定によるモニタリングは、多くの現実世界のアプリケーションにとって不可欠である。 医療モニタリングシステムでは、生理的信号は不規則な時間間隔で入手またはサンプリングされることが多く、正確な予測を行うには連続的な時間処理が必要である。 さらに、これらのシステムは、より正確な意思決定のために、様々な生理的側面から包括的な患者レビューを提供するために、複数の検出・予測タスクを解決する必要があることが多い。 これを解決するために、CTNN(Continuous-time Neural Network)を用いることができる。 しかし、最先端の作業は通常、各ネットワークで1つのタスクだけを解決し、効率の向上を制限する。 この制限に対処するため, MTLiquidを提案する。この手法は, 効果的なネットワーク設計とトレーニング戦略を通じて, 医療監視システムの連続処理において, 効率的なマルチタスク学習を可能にする。 MTLiquidは,(1)タスク間で同じバックボーンネットワークを共有しながら,異なるタスクに対応するために複数の入力および出力ヘッドを使用する。(2)異なるタスク間での学習更新のバランスをとるために損失重み付け技術と,不均衡なデータセットサイズに対応するための比例データ提示技術を利用する効果的なトレーニング戦略。 ICU患者の死亡予測(P12)と敗血症早期検出(P19)に関する実験結果から、MTLiquidは連続時間ネットワーク(AUROC: 0.84、P19: 0.95、P19: 0.84)と離散時間ネットワーク(AUROC: 0.79-0.82、P12: 0.92-0.94、P19: 0.92-0.94)と同等の性能(AUROC: 0.84、P12: 0.94、P19: 0.94)を達成した。 これらの結果からMTLiquid方法論の可能性を浮き彫りにした。

関連論文リスト

• Learning Long-Range Dependencies with Temporal Predictive Coding [0.31401665995867667]
  本研究では、時間予測符号化(tPC)とリアルタイム反復学習(RLRL)を組み合わせた新しい手法を提案する。 提案手法は, BPTTの性能を, 実世界のベンチマークと実世界のタスクの両方でよく一致させることができることを示す。 15万のパラメータモデルを用いた機械翻訳課題において,提案手法は7.62(BPTTは7.49)のテストパープレキシティを実現する。
  論文  参考訳（メタデータ） (2026-02-20T10:46:28Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Real-time Monitoring of Lower Limb Movement Resistance Based on Deep Learning [0.0]
  リアルタイム下肢運動抵抗モニタリングは,リハビリテーションや運動訓練などの臨床・スポーツ分野での様々な用途において重要である。 効率的な特徴抽出のためにMobileNetV3を統合した新しいMobile Multi-Task Learning Network (MMTL-Net)を提案する。 MMTL-Netの利点は、精度の向上、レイテンシの低減、計算効率の向上であり、リアルタイムアプリケーションに非常に適している。
  論文  参考訳（メタデータ） (2024-10-13T18:19:48Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Sparse learned kernels for interpretable and efficient medical time series processing [19.5212988158778]
  ディープラーニングの手法は計算集約的で、解釈性に欠けていた。 医用時系列信号の解釈可能なアーキテクチャであるSmoLK(Sparse Mixture of Learned Kernels)を提案する。 SMoLKは、シングルレイヤスパースニューラルネットワークを形成する軽量なフレキシブルカーネルセットを学習する。
  論文  参考訳（メタデータ） (2023-07-06T18:11:58Z)
• lpSpikeCon: Enabling Low-Precision Spiking Neural Network Processing for Efficient Unsupervised Continual Learning on Autonomous Agents [14.916996986290902]
  効率的な教師なし連続学習のための低精度SNN処理を可能にする新しい手法であるlpSpikeConを提案する。 我々のlpSpikeConは、教師なし連続学習によるオンライントレーニングを行うために、SNNモデルの重量記憶を8倍(すなわち、4ビットの重みを司法的に採用することで)削減することができる。
  論文  参考訳（メタデータ） (2022-05-24T18:08:16Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Joint Registration and Segmentation via Multi-Task Learning for Adaptive Radiotherapy of Prostate Cancer [3.0929226049096217]
  マルチタスク学習設定による共同問題として登録とセグメンテーションを定式化する。 このアプローチは、前立腺癌に対する適応画像誘導放射線療法の文脈で検討する。
  論文  参考訳（メタデータ） (2021-05-05T02:45:49Z)
• Multi-Sample Online Learning for Probabilistic Spiking Neural Networks [43.8805663900608]
  スパイキングニューラルネットワーク(SNN)は、推論と学習のための生物学的脳の効率の一部をキャプチャする。 本稿では,一般化予測最大化(GEM)に基づくオンライン学習ルールを提案する。 標準ニューロモルフィックデータセットにおける構造化された出力記憶と分類実験の結果,ログの類似性,精度,キャリブレーションの点で大きな改善が見られた。
  論文  参考訳（メタデータ） (2020-07-23T10:03:58Z)

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。