論文の概要: MC-TRCM: Observation-Aware Recursive Fusion for Incomplete Mobile and Wearable Mental-Health Feature Views

• arxiv url: http://arxiv.org/abs/2610.11408v1
• Date: Thu, 08 Oct 2026 07:38:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.866049
• Title: MC-TRCM: Observation-Aware Recursive Fusion for Incomplete Mobile and Wearable Mental-Health Feature Views
• Title（参考訳）: MC-TRCM:不完全移動型・ウェアラブル型メンタルヘルス機能評価のための再帰核融合
• Abstract要約: 公共のモバイルおよびウェアラブルのメンタルヘルスデータセットは、同期された生のセンサーストリームではなく、要約された特徴テーブルを提供することが多い。 本稿では,MC-TRCM(Modality-Conditioned Temporal Recursive Context Model)を提案する。 MC-TRCM は DepreST-CAT patient Health Questionnaire-9 (PHQ-9) と Generalized Anxiety Disorder-7 (GAD-7) の重症度において最低絶対誤差を達成した。
• 参考スコア（独自算出の注目度）: 5.953880670875852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Public mobile and wearable mental-health datasets often provide summarized feature tables rather than synchronized raw sensor streams. In these releases, each anchor corresponds to a survey or label time and may combine phone or wearable summaries, prior symptom scores, demographics, clinical variables, and source-availability indicators. We propose the Modality-Conditioned Temporal Recursive Context Model (MC-TRCM), which preserves each feature source as a separate token and incorporates missingness as part of the input context. Observed sources are encoded with values and missingness summaries, absent sources use learned absence tokens, dataset and task embeddings condition fusion, and a recursive prediction head refines each output over validation-selected steps. We evaluated MC-TRCM on six predefined endpoints from DepreST-CAT and Prediction of Severity Change-Depression (PSYCHE-D) using participant-level splits and validation-only model selection. MC-TRCM achieved the lowest mean absolute error on DepreST-CAT Patient Health Questionnaire-9 (PHQ-9) and Generalized Anxiety Disorder-7 (GAD-7) severity, improving over the best tabular reference by 0.181 and 0.217 scale points. Classification endpoints showed task-dependent behavior: MC-TRCM matched the best rounded GAD-7 category balanced accuracy, was numerically highest by 0.002 balanced-accuracy points on PSYCHE-D multiclass prediction, and remained close to the strongest references on PHQ-9 category and PSYCHE-D binary prediction. Ablations support Feature-wise Linear Modulation, absence tokens, missingness projections, and recursive refinement, while calibration and feature-source controls characterize endpoint behavior. Our code is available at https://github.com/Botwwt/MC-TRCM.
• Abstract（参考訳）: 公共のモバイルおよびウェアラブルのメンタルヘルスデータセットは、同期された生のセンサーストリームではなく、要約された特徴テーブルを提供することが多い。 これらのリリースでは、各アンカーは調査やラベルタイムに対応し、電話やウェアラブルの要約、以前の症状スコア、人口統計、臨床変数、ソース・アベイラビリティ指標を組み合わせることができる。 本稿では,MC-TRCM(Modality-Conditioned Temporal Recursive Context Model)を提案する。 観測されたソースは、値と欠落の要約でエンコードされ、欠落したソースは、学習された不在トークン、データセットとタスク埋め込みの条件融合を使用し、再帰予測ヘッドは、バリデーション選択されたステップよりも各出力を洗練する。 DepreST-CATとSeverity Change-Depression(PSYCHE-D)の6つのエンドポイントのMC-TRCMを参加者レベルの分割と検証のみのモデル選択を用いて評価した。 MC-TRCM は DepreST-CAT patient Health Questionnaire-9 (PHQ-9) と Generalized Anxiety Disorder-7 (GAD-7) の重症度に対して最小絶対誤差を達成し, 表層基準を0.181 と 0.217 で改善した。 MC-TRCMは,PSYCHE-Dマルチクラス予測において,最良丸めのGAD-7カテゴリーのバランスの取れた精度に一致し,最大0.002ポイントのバランスの取れた精度を示し,PHQ-9カテゴリとPSYCHE-Dバイナリ予測において最強の基準に近かった。 アブレーションは、フィーチャーワイド線形変調、欠落トークン、欠落プロジェクション、再帰的改善をサポートし、キャリブレーションとフィーチャーソースコントロールはエンドポイントの動作を特徴付ける。 私たちのコードはhttps://github.com/Botwwt/MC-TRCMで利用可能です。

関連論文リスト

• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• Ranking-Aware Prompt Optimization for Multimodal Clinical Diagnosis [18.359901080884637]
  AUROC(しきい値なしスコア)の評価と最適化を行った。 MIMIC上の3つの疾患のうち、精度に基づくプロンプト進化はランキングを低下させる可能性がある。 本手法は,テキストのみのデータから多モーダルな臨床的意思決定へ,即時的な進化を延長する。
  論文  参考訳（メタデータ） (2026-09-30T17:59:56Z)
• When Residualization Helps an Audit: Format Effects, Slice Gains, and Their Limits [0.7734726150561088]
  LLMシステムで使用される評価スコアは、測定する品質ではなく、表面形状を追跡することができる。 観測的NLIおよびQA設定では、不随伴アノテータのラベルを用いて評価する前に、保持された複製を凍結し、再評価する。 完全な人口合意は、報告された正のスライスゲインを持つすべての観測条件に該当し、要求内ランキングはそのようなQA設定すべてに該当する。
  論文  参考訳（メタデータ） (2026-09-21T07:06:37Z)
• Fine-tuning LLMs for Passive Depression Severity Estimation from AI Mental Health Dialogue [4.051184721197422]
  うつ病は世界の障害の主要な原因であり、症状の早期発見は時間的介入に不可欠である。 我々は、ユーザーが自己申告措置を完了することなく、AIメンタルヘルスプラットフォームにおける受動的かつ継続的な症状モニタリングを提案する。
  論文  参考訳（メタデータ） (2026-06-16T14:28:47Z)
• When Metrics Disagree: A Meta-Analysis of Knowledge-Graph-Completion Model Benchmarking [0.0]
  本稿では, 整合性, クロスデータセット安定性, 距離独立性, 雑音下での頑健性, 一般化性という, 5つのテストにまたがる7つのアグリゲータのメタ分析について述べる。 Across tail $(h,r,?)$ and relation $(h,?,t)$ prediction, Z-score is the most balanced aggregator, which rank of DualE highest for tail prediction, FMS highest for relation prediction。 このフレームワークは、評価の不整合を解消し、KGCにおけるアグリゲータの選択とモデルベンチマークのためのエビデンスベースのガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-06-09T01:20:43Z)
• CT-FineBench: A Diagnostic Fidelity Benchmark for Fine-Grained Evaluation of CT Report Generation [51.11942945171396]
  従来の評価指標は、語彙重なり合いやエンティティマッチングの粗い尺度のみを提供する。 我々はCT-RATEとMerlinのベンチマークであるCT-FineBenchを提案し、CTレポートの微細な事実整合性を評価する。 我々のベンチマークは、綿密な質問回答(QA)ベースのプロセスによって構築されます。
  論文  参考訳（メタデータ） (2026-04-27T03:32:46Z)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder [1.8352113484137627]
  心電図(CTG)信号を妊娠結果に基づいて分類するための教師付き変分オートエンコーダ(VAE)モデルの開発と解釈を行った。
  論文  参考訳（メタデータ） (2025-09-08T10:54:04Z)

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。