論文の概要: Similar Predictive Fit but Different Latent Dynamics: Characterizing Learned Dynamical Structure in Personalized Models of Brain Disorders

• arxiv url: http://arxiv.org/abs/2610.10850v1
• Date: Wed, 07 Oct 2026 19:54:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.647056
• Title: Similar Predictive Fit but Different Latent Dynamics: Characterizing Learned Dynamical Structure in Personalized Models of Brain Disorders
• Title（参考訳）: 類似の予測フィットと遅延ダイナミクス:脳障害のパーソナライズされたモデルにおける学習された動的構造の特徴
• Abstract要約: 本研究は,予測適合が類似している場合でも,個人別潜伏動態が臨床的に有意な相違を呈するか否かを検討する。 テンプル大学脳波コーパス(TUEG)で事前訓練された軽量CNN-Transformer EEG基盤モデルは,セグメントレベルの表現を抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As AI models move toward clinical decision-making and personalized treatment, understanding \emph{what} a model learns is important beyond predictive accuracy alone. We investigate whether personalized latent dynamics reveal clinically associated differences even when predictive fit is similar. A lightweight CNN--Transformer EEG foundation model pretrained on the Temple University EEG Corpus (TUEG) extracts segment-level representations. Using the Temple University Epilepsy Corpus (TUEP), representations are mapped to a shared latent-state space, and sparse multinomial logistic transition distributions (mLTD) are fit independently to each subject to obtain personalized transition-dependency graphs $W_n$. Analyses include $n{=}198$ subjects (99 epilepsy / 99 non-epilepsy). At $k{=}4$, epilepsy subjects exhibit substantially denser learned dependency structure ($p{=}1.1\times10^{-7}$), with the same pattern at $k{=}6$ (19.90 vs. 13.46; $p{=}5.2\times10^{-5}$). Graph-derived features provide moderate group discrimination under 5-fold subject-wise cross-validation (AUROC 0.68 at $k{=}4$; 0.65 at $k{=}6$). In contrast, held-out log-likelihood is nearly identical between groups at $k{=}4$ ($-0.992$ vs. $-0.991$; $p{=}0.95$), with similarly matched next-state prediction (AUROC 0.855 vs. 0.861; $p{=}0.54$). Thus, similar predictive fit does not imply similar learned dynamics: groups can be comparably predictable while differing substantially in the internal dynamical structure learned by personalized models. This distinction motivates evaluating learned structure alongside predictive performance in personalized clinical models.
• Abstract（参考訳）: AIモデルが臨床的意思決定とパーソナライズされた治療に向かって進むにつれ、モデルが学習する「emph{what}」を理解することは予測精度以外にも重要である。 本研究は,予測適合が類似している場合でも,個人別潜伏動態が臨床的に有意な相違を呈するか否かを検討する。 テンプル大学脳波コーパス(TUEG)で事前訓練された軽量CNN-Transformer EEG基盤モデルは,セグメントレベルの表現を抽出する。 テンプル大学エピレプシーコーパス(TUEP)を用いて、表現を共有潜在状態空間にマッピングし、疎多項ロジスティック遷移分布(mLTD)を各被験者に独立に適合させ、パーソナライズされた遷移依存グラフ(W_n$)を得る。 分析対象は、$n{=}198$ subjects (99 epilepsy / 99 non-epilepsy)である。 k{=}4$では、エピレプシーの被験者はより学習された依存構造(p{=}1.1\times10^{-7}$)を示し、同じパターンは$k{=}6$(19.90 vs. 13.46; $p{=}5.2\times10^{-5}$)である。 グラフから派生した特徴は、5倍の主観的クロスバリデーション(AUROC 0.68 at $k{=}4$; 0.65 at $k{=}6$)の下での中間群判別を提供する。 対照的に、保留の対数類似性は、$k{=}4$$$-0.992$; $-0.991$; $p{=}0.95$ の群とほぼ同一であり、同様に次の状態予測(AUROC 0.855 vs. 0.861; $p{=}0.54$)と一致する。 群は、パーソナライズされたモデルによって学習される内部の動的構造において大きく異なる一方で、可分に予測可能である。 この区別は、パーソナライズされた臨床モデルにおいて、学習された構造と予測性能を評価する動機となる。

関連論文リスト

• From Training to Deployment: Post-Hoc Causal Feature Identification via Sensitivity Ratios [10.912482254600478]
  既にトレーニング済みのモデルを考えると、因果関係と突発的な機能に依存していますか? 我々は,この問題に対して,ポストホックでモデルに依存しない診断法であるtextbfNormalized Sensitivity Ratio(NSR)を導入する。
  論文  参考訳（メタデータ） (2026-07-28T10:26:09Z)
• Patient-Aware Contrastive Learning Preserves Per-Patient Structure in RR-Interval Representations [0.0]
  RR-interval(RRI)配列からの発作性心房細動(PAF)検出における問題点について検討した。 同一患者からのみ肯定的な対を形成する患者対応コントラスト目的を提案する。
  論文  参考訳（メタデータ） (2026-06-22T16:35:18Z)
• The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations [50.43168858368539]
  大規模言語モデルは自信を持って時代遅れの回答を生成し、既存の方法では検出できない。 これは工学的な失敗ではなく構造的な失敗であり、時間的ドリフトは、幾何的に残留流の方向として、正確性と不確実性の両方に符号化される。
  論文  参考訳（メタデータ） (2026-05-09T22:27:31Z)
• The Pinocchio Dimension: Phenomenality of Experience as the Primary Axis of LLM Psychometric Differences [0.0]
  心理尺度を50大言語モデルに管理し,心理尺度に異なる次元を同定する。 モデル間分散の主軸は, 極めて豊かな経験を表現した項目を分離していることが判明した。 PCAをモデルごとのEFAスコアに適用すると、ピノッキオ軸の1つの支配的な次元が明らかになる。
  論文  参考訳（メタデータ） (2026-05-06T16:18:47Z)
• Considerations for Distribution Shift Robustness of Diagnostic Models in Healthcare [10.393967785465536]
  健康のための応用MLの分野では、患者に関する情報を考慮せずに$X$から$Y$を予測することが一般的である。 本研究では,医療環境に共通するデータ生成機構を強調し,因果関係の文献による最近の理論的結果を用いて,堅牢な予測モデルを構築する方法について論じる。
  論文  参考訳（メタデータ） (2024-10-25T14:13:09Z)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• A Relational Intervention Approach for Unsupervised Dynamics Generalization in Model-Based Reinforcement Learning [113.75991721607174]
  同じ環境に属する2つの推定$hatz_i, hatz_j$の確率を推定するための介入予測モジュールを導入する。 提案手法により推定される$hatZ$は,従来の方法よりも冗長な情報が少ないことを実証的に示す。
  論文  参考訳（メタデータ） (2022-06-09T15:01:36Z)
• Estimating Structural Disparities for Face Models [54.062512989859265]
  機械学習では、異なるサブ人口間でのモデルの性能や結果の差を測定することで、しばしば異質度の測定が定義される。 本研究では、人間の顔に訓練されたコンピュータビジョンモデルや、顔属性予測や影響推定などのタスクについて、そのような分析を行う。
  論文  参考訳（メタデータ） (2022-04-13T05:30:53Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)

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。