論文の概要: SSMCGM-Stream: A Streaming State-Space Model for Personalized Diabetes Management

• arxiv url: http://arxiv.org/abs/2610.28976v1
• Date: Tue, 20 Oct 2026 22:48:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.157377
• Title: SSMCGM-Stream: A Streaming State-Space Model for Personalized Diabetes Management
• Title（参考訳）: SSMCGM-Stream: パーソナライズされた糖尿病管理のためのストリーミング状態空間モデル
• Abstract要約: 連続グルコースモニタリングは糖尿病の管理をサポートするが、正確な、解釈可能な、リアルタイムデプロイメントに十分な効率の予測モデルが必要である。 SSMCGM-Streamは、グルコースを受信するごとに更新されたパーソナライズされた隠れ状態を保持するストリーミング状態空間モデルである。 この基盤の上に構築されたSSMCGM-Agentは、予測、説明、および反事実を、ガードされた言語モデルインターフェースを通じて基盤化されたレコメンデーションに変換することで、リスク対応、自然言語による意思決定支援を提供する。
• 参考スコア（独自算出の注目度）: 0.7284556903703034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous glucose monitoring supports diabetes management but requires forecasting models that are accurate, interpretable, and efficient enough for real-time deployment. We present SSMCGM-Stream, a streaming state-space model that maintains a personalized hidden state updated with each incoming glucose reading to provide constant-time forecasting, physiologically structured counterfactual reasoning, and interpretable forecasts through hidden-state attribution. Built on this foundation, SSMCGM-Agent delivers risk-aware, natural-language decision support by translating forecasts, explanations, and counterfactuals into grounded recommendations through a guarded language-model interface. Evaluated on the T1DEXI cohort, SSMCGM-Stream achieves forecasting performance comparable to strong neural baselines while substantially reducing computational cost, enabling continuous on-device diabetes decision support.
• Abstract（参考訳）: 連続グルコースモニタリングは糖尿病の管理をサポートするが、正確な、解釈可能な、リアルタイムデプロイメントに十分な効率の予測モデルが必要である。 SSMCGM-Streamは,グルコースを受信するごとに更新されたパーソナライズされた隠れ状態を保持するストリーミング状態空間モデルであり,定時予測,生理学的に構造化された反実的推論,および隠れ状態属性による解釈可能な予測を提供する。 この基盤の上に構築されたSSMCGM-Agentは、予測、説明、および反事実を、ガードされた言語モデルインターフェースを通じて基盤化されたレコメンデーションに変換することで、リスク対応、自然言語による意思決定支援を提供する。 T1DEXIコホートで評価されたSSMCGM-Streamは、強力な神経ベースラインに匹敵する予測性能を達成し、計算コストを大幅に削減し、デバイス上での糖尿病決定を継続的にサポートする。

関連論文リスト

• Subject-Conditioned Glucose Forecasting in Type-1 Diabetes [4.201695852847293]
  そこで我々は,パーソナライズされた血糖予測を目的とした多モード深層学習アーキテクチャSCGPを提案する。 SCGPは、観測されたグルコースデータと文脈情報から学習したコンパクトな主題特異的表現に基づいて、グルコース予測を条件とする。 2つの最先端ベンチマークデータセットの実験により、SCGPは予測性能を一貫して改善し、複数の予測地平線をまたいだ有害なグリセミック事象を確実に検出できることを示した。
  論文  参考訳（メタデータ） (2026-07-21T11:42:34Z)
• Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning [50.948271066372826]
  本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-06-20T17:58:17Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation [59.07792608884117]
  本稿では,See, Plan, Rewind (SPR)について紹介する。 SPRは、現在の状態と今後のマイルストーンを見て、次の2Dウェイポイントに向けて軌道を計画し、障害時に回復可能な状態に戻すという、継続的なコアサイクルを通じて運用される。 SPRは、OpenVLA-OFTとUniVLAを上回る最小のパフォーマンス低下で最先端のロバスト性を達成する。
  論文  参考訳（メタデータ） (2026-03-10T07:22:51Z)
• GlyRAG: Context-Aware Retrieval-Augmented Framework for Blood Glucose Forecasting [3.494950334697973]
  GlyRAGは、CGMトレースから直接血糖値のセマンティック理解を導き出す、文脈対応、検索強化予測フレームワークである。 GlyRAGは最先端の手法を一貫して上回り、RMSEは最大で39%低下し、RMSEはベースラインよりもさらに1.7%減少する。
  論文  参考訳（メタデータ） (2026-01-08T20:07:59Z)
• SSM-CGM: Interpretable State-Space Forecasting Model of Continuous Glucose Monitoring for Personalized Diabetes Management [0.6481500397175589]
  連続グルコースモニタリング(CGM)は、糖尿病管理に不可欠な高密度なデータストリームを生成する。 我々は,マンバをベースとしたCGMとウェアラブル活動信号を統合したニューラルステートスペース予測モデルであるSSM-CGMを提案する。
  論文  参考訳（メタデータ） (2025-10-05T22:37:28Z)
• A Large Sensor Foundation Model Pretrained on Continuous Glucose Monitor Data for Diabetes Management [3.8195320624847833]
  CGM-LSMはトランスフォーマーデコーダをベースとしたLarge Sensor Model (LSM) で, 糖尿病, 年齢, 性別の異なる患者から160万のCGMレコードを事前訓練した。 CGMデータに埋め込まれた潜伏知識を学習するために, 患者をグルコース時間ステップのシーケンスとしてモデル化し, 2時間水平線での血糖値の予測に応用する。 従来の方法と比較して、CGM-LSMは予測精度とロバスト性を大幅に改善し、1時間水平線予測におけるルート平均2乗誤差を48.51%削減し、保持された患者群間で一貫したゼロショット予測性能を向上した。
  論文  参考訳（メタデータ） (2024-12-12T21:35:13Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Interpreting Deep Glucose Predictive Models for Diabetic People Using RETAIN [4.692400531340393]
  糖尿病患者における将来の血糖値予測のためのRETAINアーキテクチャについて検討した。 2段階のアテンションメカニズムのおかげで、RETAINモデルは解釈可能であり、標準的なニューラルネットワークと同じくらい効率的である。
  論文  参考訳（メタデータ） (2020-09-08T13:20:15Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。