論文の概要: GlucoPRISM: Protocol-Supervised Pretraining for Cross-Cohort Glucose Transfer
- arxiv url: http://arxiv.org/abs/2610.12528v1
- Date: Thu, 08 Oct 2026 09:14:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.215914
- Title: GlucoPRISM: Protocol-Supervised Pretraining for Cross-Cohort Glucose Transfer
- Title（参考訳）: GlucoPRISM: クロスコートグルコース転送のためのプロトコルスーパービジョン事前トレーニング
- Abstract要約: 連続グルコースモニタリング(Continuous glucose monitoring, CGM)の基礎モデルは、毎日、その人が誰であるか、その日何が起きたか、センサーがどのように測定したかを1つのベクトルとしてエンコードする。
我々は,事前学習が既知の座標の伝達に悪影響を及ぼす測定成分を配置できるかどうかを問う。
- 参考スコア（独自算出の注目度）: 18.621672086474693
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continuous glucose monitoring (CGM) foundation models encode each day as one vector that mixes who the person is, what happened that day and how the sensor measured it, so measurement differences travel with the representation into new cohorts. We ask whether pretraining can place the measurement component that harms transfer in known coordinates, so that deployment drops them with a fixed projection and no target data. GlucoPRISM supervises a GlucoFM backbone with response contracts, rules for how each part of the representation should change when only the day or only the sensor changes: a 64-dimensional Trait band should change with neither, a 48-dimensional State band only across days, and a 16-dimensional Sensor band should track the device. Synthetic sensor views calibrated on paired Dexcom and Libre recordings, different-day pairs and glucose-summary targets supply this supervision without clinical labels. Across twelve cross-cohort directions, dropping the Sensor band from the same frozen encoder raises mean transfer AUROC from 68.75 to 73.57, against 69.3 for GlucoFM. The gain has two parts. Into CGMacros, the one target cohort recorded with two sensor types, filtering adds 11 to 19 points, and this holds when the generator is recalibrated on half of the participants and scored on the other half. On the other eight directions filtering is neutral and the encoder itself exceeds GlucoFM by 3.5 points. The device remains linearly decodable after filtering, so the filter removes a device-related component that harms transfer rather than all measurement information. The retained bands improve window AUROC on thirteen of fourteen public task--cohort cells (Holm-adjusted p=0.031) and correlation on fourteen of fifteen clinical endpoints in an external cohort of 9,303 participants.
- Abstract（参考訳）: 連続グルコースモニタリング(Continuous glucose monitoring, CGM)の基礎モデルは、毎日1つのベクターとしてコード化されており、その日何が起きたのか、センサーがどのように測定したのかを混ぜている。
我々は,事前学習が既知の座標の伝達に悪影響を及ぼす測定成分を配置できるかどうかを問う。
GlucoPRISMはGlucoFMのバックボーンを監督し、応答の契約、その日のみまたはセンサーが変わるとき、その表現の各部分がどのように変化するかのルールを監督する。64次元のTritバンドはどちらも変更すべきで、48次元のStateバンドは1日で変更され、16次元のSensorバンドはデバイスを追跡する必要がある。
Dexcom と Libre の2組の録音で調整された合成センサービュー, 日毎のペア, グルコース・サマー・ターゲットにより, 臨床ラベルなしでこの監督を行うことができる。
12本のクロスコホート方向で同じ冷凍エンコーダからセンサバンドを落とすと、平均転送AUROCが68.75から73.57に上昇し、GlucoFMは69.3となった。
利得には2つの部分がある。
CGMacrosでは、2つのセンサータイプで記録された1つのターゲットコホートが11から19のポイントを追加し、ジェネレータが半分で再校正され、残り半分で得点される。
他の8方向のフィルタリングは中立であり、エンコーダ自体はGlucoFMを3.5ポイント超える。
フィルタ後、デバイスはリニアデオード可能なままなので、フィルタはすべての測定情報ではなく、転送を害するデバイス関連コンポーネントを除去する。
維持バンドは,14の公的なタスクコホート細胞(ホルム調整p=0.031)の13の窓AUROCを改善し,9,303人の外部コホートにおいて15の臨床的エンドポイントの14の窓AUROCとの相関を調べた。
関連論文リスト
- Wrong Organ, Right Physics: Transferring Echocardiography Pretraining to Lung Ultrasound for Tuberculosis Screening [1.9262297746747183]
肺超音波検査は初診時に結核スクリーニングに有用であるが, ラベル付きコホートは少ない。
エコー心電図はそのような制約は持たないが、基礎となる超音波イメージング物理、信号処理、Bモードの外観はLUSと同じである。
我々は,その高リソース超音波領域で事前訓練されたエンコーダが,低リソース領域で使用可能な表現を担っているかどうかを問う。
論文 参考訳（メタデータ） (2026-10-02T13:33:18Z) - Where the Numbers Come From: Auditing Evaluation in Provenance-Based Intrusion Detection [42.49426058823369]
証明に基づく侵入検知器のスコアを再現しても、そのアラームの出力やエンコーダが使用する情報についてそのスコアが何を言っているかは定かでない。
我々は、リリースした9つの実装を監査し、独自のコードを使用して4つの検出器を実行し、3つの測定効果を分離する。
論文 参考訳（メタデータ） (2026-09-27T13:01:02Z) - GAUGE: Group-Wise View-Inconsistency Rectification for Feed-Forward 4D Tracking [48.91477882822122]
本稿では,GAUGE(Group-wise Adaptive Unsupervised Gauge Estimation)について述べる。
方向整合性と空間接続性から運動群を復元し、フレーム単位のラジアルスケールとグループレベルの変換を推定する。
D4RT, 4RC, SM4RTを含む8つのトラッカーの動的クエリポイントでは, 訂正されていない予測に対して, 終端誤差を15.1%から62.6%削減する。
論文 参考訳（メタデータ） (2026-09-26T13:14:53Z) - TRACE: Tractable Routing Autoencoder for Clinical ECG [5.395924536869555]
臨床心電図のためのトラクタブルルーティングオートエンコーダであるTRACEを提案する。
OntologyはマクロF1コストなしで意思決定パスの監査機能を提供する。
論文 参考訳（メタデータ） (2026-09-20T08:41:58Z) - Gated Residual Body-Hand Coordination for Whole-Body Humanoid Teleoperation [33.39511546352422]
全身のヒューマノイド遠隔操作は、通常、モーショントラッキングポリシーと別個のデキスタラスハンド再ターゲッターを組み合わせる。
両モジュールの凍結を保ち、その出力に有界補正を適用するゲート残差調整フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-16T14:50:12Z) - Aggregate, Don't Adapt: Subject-Level Posterior Aggregation and Transductive Calibration for Cross-Site Parkinsonian Gait Severity [0.0]
ここでは,Parkinsonian GaitにおけるMoCha 2026ベンチマークとチャレンジの勝者について述べる。
トレーニング中に見えない臨床現場で記録された正常化SMPL運動から歩行重症度を予測する。
論文 参考訳（メタデータ） (2026-08-20T21:49:52Z) - Label-Free Parkinson's Disease Screening from Face and Voice through Mechanistic Interpretability [4.241413288920499]
パーキンソン病(英: Parkinson's disease、PD)は、神経変性疾患の2番目に多い疾患である。
そこで本研究では,凍結事前学習エンコーダをベースとした無ラベル顔+音声PDスクリーンを提案する。
合成劣化型CAA検出器は、合成疾患方向と実際の疾患方向のコサイン類似度が0を超えると機能することを示す。
論文 参考訳（メタデータ） (2026-08-10T00:43:57Z) - Support Operation Factorization: Compositional Readout of Frozen Vision Encoders under Controlled Interventions [87.95757610455173]
我々は、x演算グリッドとSO-OPFをサポートするために、インジェクティブに整合した残余セルアウトプロトコルを導入する。
グリッドが分かっているときにキャリアがホールドアウトバインディングを構成するかどうか、フラットなセルラベルからグリッドを回収できるかどうかという2つの質問を分離する。
論文 参考訳（メタデータ） (2026-08-06T15:38:55Z) - Lesion Detection in CT with Frozen Self-Distilled Features: SALT, a Spatially Adaptive Label-Guided Temperature [0.0]
自己監督型事前訓練対象は空間的に均一である。
我々は自己蒸留の目標を定めている。
本報告では,コホートによるパッチレベルの分離性,病変の大きさ,ボックス品質による3次元検出,および単一凍結パッチを埋め込んだ検出器フリープローブを用いて,登録,マスク,微調整を伴わないフォローアップスキャンで病変を再同定する。
論文 参考訳（メタデータ） (2026-08-05T17:39:31Z) - Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。
本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
論文 参考訳（メタデータ） (2026-07-29T08:00:49Z) - Prototyping an End-to-End Multi-Modal Tiny-CNN for Cardiovascular Sensor Patches [35.899401205042615]
本稿では、バイナリ分類問題を解決するために、データの早期融合を伴う畳み込みニューラルネットワークを提案する。
提案手法は,最先端技術と比較してメモリフットプリントと計算コストを3桁削減する。
論文 参考訳（メタデータ） (2025-10-21T14:23:20Z)
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。