論文の概要: Block Diffusion for Longitudinal EHR: Accuracy, Efficiency, and Representation Trade-offs

• arxiv url: http://arxiv.org/abs/2610.29533v1
• Date: Wed, 21 Oct 2026 10:23:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.312955
• Title: Block Diffusion for Longitudinal EHR: Accuracy, Efficiency, and Representation Trade-offs
• Title（参考訳）: 縦型EHRにおけるブロック拡散の精度, 効率, 表現トレードオフ
• Abstract要約: MIMIC-IVの代替としてのブロックベースマスク拡散(BD) 小さいブロック構成は、ARの予測性能の多くを保持しながら、かなり高速な推論を可能にします。
• 参考スコア（独自算出の注目度）: 42.314853013868984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoregressive (AR) models have proved effective for zero-shot prediction from longitudinal electronic health records, but impose strictly sequential generation on trajectories containing temporally clustered and interdependent clinical events. We investigate block-based masked diffusion (BD) as an alternative on MIMIC-IV under matched tokenisation, context length, model capacity, and evaluation conditions. Across block sizes, BD exhibits a clear quality--efficiency trade-off, with small-block configurations retaining much of the predictive performance of AR while enabling substantially faster inference. A representative $B{=}8$ configuration achieves approximately $1.43\times$ faster evaluation. Although generative rollout remains below AR in most settings, frozen linear probes on BD and AR representations achieve near-identical performance across clinical prediction tasks, indicating that BD learns comparably informative clinical representations. Increasing the denoising budget yields diminishing returns, while alternative decoding strategies provide limited gains. Overall, our results show that block diffusion is a viable and computationally attractive approach to longitudinal EHR modelling, with further improvements in iterative decoding offering a promising route toward closing the remaining generative performance gap.
• Abstract（参考訳）: 自己回帰(AR)モデルは、縦断的な電子健康記録からゼロショット予測に有効であることが証明されているが、時間的クラスタ化および相互依存型臨床イベントを含むトラジェクトリに厳密なシーケンシャルな生成を課している。 MIMIC-IVの代替としてブロックベースマスク拡散法(BD)を,整合トークン化,コンテキスト長,モデルキャパシティ,評価条件下で検討した。 ブロックサイズ全体にわたって、BDは明確な品質-効率のトレードオフを示し、小さなブロック構成はARの予測性能の多くを保持しながら、かなり高速な推論を実現している。 代表的$B{=}8$設定は、およそ1.43\times$高速評価を達成する。 ほとんどの環境では、生成的ロールアウトはARより低いが、BDおよびAR表現上の凍結線形プローブは、臨床予測タスク全体にわたってほぼ同一のパフォーマンスを達成し、BDが比較可能な臨床的表現を学ぶことを示す。 減税予算の増加は利回りを低下させ、代替の減税戦略は利得を限定する。 以上の結果から,ブロック拡散は長手 EHR モデリングにおける実現可能かつ計算上魅力的なアプローチであり,継続する生成的性能ギャップを解消するための有望な経路を提供する反復復号法の改良が示唆された。

関連論文リスト

• Probabilistic Limit Order Book Forecasting with Conditional Diffusion Models [16.18468855047293]
  本稿では,自己回帰型RNNエンコーダと拡散型ジェネレータを組み合わせた,確率的リミットオーダーブック(LOB)予測のための条件付きDDPMフレームワークを提案する。 BTC/USDT、GOOGL、METAの実験では、LOBGradは、報告された全てのキューメトリクスのエンコーダフリー拡散アブレーションを改善している。 また、LOBマイクロ構造の重要なスタイル化された事実を再現し、合理的に調整されたキューベースの予測間隔を生成する。
  論文  参考訳（メタデータ） (2026-10-18T19:34:17Z)
• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• BlockVLA: Accelerating Autoregressive VLA via Block Diffusion Finetuning [41.5997751218601]
  BlockVLAは、事前訓練されたARバックボーンを効率的な離散拡散ポリシーに適合させるフレームワークである。 LIBERO と SimplerEnv のベンチマークを広範囲に評価する。 本モデルでは, トレーニング効率が向上し, 成功率がベースラインよりもかなり高速に収束する。
  論文  参考訳（メタデータ） (2026-05-13T11:37:51Z)
• ECHO: Efficient Chest X-ray Report Generation with One-step Block Diffusion [26.504953858868465]
  胸部X線レポート生成のための効率的な拡散型VLM (dVLM) である textbfECHO を提案する。 ECHOは、新しい直接蒸留(DCD)フレームワークを通じて、ブロック毎の安定した1ステップの推論を可能にする。 実験により、ECHOは最先端の自己回帰手法を超え、それぞれ textbf64.33% と textbf60.58% で RaTE と SemScore を改善した。
  論文  参考訳（メタデータ） (2026-04-10T16:07:14Z)
• Causal Autoregressive Diffusion Language Model [70.7353007255797]
  CARDは厳密な因果注意マスク内の拡散過程を再構成し、単一の前方通過で密集した1対1の監視を可能にする。 我々の結果は,CARDが並列生成のレイテンシの利点を解放しつつ,ARMレベルのデータ効率を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-29T17:38:29Z)
• SDAR: A Synergistic Diffusion-AutoRegression Paradigm for Scalable Sequence Generation [62.14510717860079]
  本稿では, 自己回帰モデルの学習効率を, 拡散の並列推論能力で統一するSynergistic Diffusion-Autoregressionパラダイムを提案する。 SDARは、十分に訓練された自己回帰モデル(AR)を、簡潔でデータ効率のよい適応を通じてブロックワイズ拡散モデルに変換する、軽量なパラダイム変換を実行する。 この知見に基づいて、SDARは最小コストで効率的なAR-拡散変換を実現し、並列生成を可能にしながら、ARレベルのパフォーマンスを維持する。
  論文  参考訳（メタデータ） (2025-10-07T17:29:28Z)
• Out-of-Distribution Detection in Medical Imaging via Diffusion Trajectories [8.591748099943167]
  医用画像では、unsupervised out-of-distribution (OOD) 検出は病理疾患の同定に魅力的なアプローチである。 現在の生成的アプローチは、しばしば推定や再構成の誤りに依存する。 本稿では,スタインスコアに基づくデノナイジング拡散モデルの前方拡散軌道を利用する再構成不要なOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2025-07-31T10:36:58Z)
• Bidirectional Representation Learning from Transformers using Multimodal Electronic Health Record Data to Predict Depression [11.1492931066686]
  うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。 このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
  論文  参考訳（メタデータ） (2020-09-26T17:56:37Z)

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。