論文の概要: Temporal Island Sparse Autoencoders for Interpreting Clinical Time-Series Models

• arxiv url: http://arxiv.org/abs/2611.03420v1
• Date: Mon, 02 Nov 2026 16:43:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 12:42:20.360287
• Title: Temporal Island Sparse Autoencoders for Interpreting Clinical Time-Series Models
• Title（参考訳）: テンポラルアイランドスパースオートエンコーダを用いた臨床時系列モデルの解釈
• Abstract要約: ポストホックアトリビューション法は、時間的コヒーレンス、異種間構造、患者間の再利用性に欠ける細胞ごとの重要度スコアを生成する。 本稿では,凍結予測モデルの表現から背骨特異的な患者共有型臨床概念辞書を学習するTemporal Island Sparse Autoencoder (TI-SAE)を紹介する。
• 参考スコア（独自算出の注目度）: 42.42520669532604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for electronic health records achieve strong predictive performance but provide little insight into what clinical concepts they represent internally. Post-hoc attribution methods produce per-cell importance scores that lack temporal coherence, cross-variable structure, and reusability across patients. We introduce the Temporal Island Sparse Autoencoder (TI-SAE), which learns a backbone-specific, patient-shared clinical concept dictionary from a frozen predictive model's representations. Each dictionary entry (latent) is defined by learned temporal Gaussian islands (specifying when the concept is active) and a sparse variable-composition vector (specifying which variables are involved). A decoupled selector then identifies which dictionary entries drive each patient's prediction, separating representation learning from attribution. We evaluate TI-SAE across five backbone architectures spanning different representation strategies on MIMIC-III and MIMIC-IV (three prediction tasks each). TI-SAE produces structured clinical concepts that go beyond transient attribution heatmaps while achieving strong performance on standard faithfulness benchmarks.
• Abstract（参考訳）: 電子健康記録のための深層学習モデルは、強い予測性能を達成するが、内部でどのような臨床概念を表現しているかについての洞察はほとんど得られない。 ポストホックアトリビューション法は、時間的コヒーレンス、異種間構造、患者間の再利用性に欠ける細胞ごとの重要度スコアを生成する。 本稿では,凍結予測モデルの表現から背骨特異的な患者共有型臨床概念辞書を学習するTemporal Island Sparse Autoencoder (TI-SAE)を紹介する。 各辞書のエントリ(ラテン)は、学習された時相ガウス諸島(概念がアクティブな時期を特定する)とスパース変数合成ベクトル(どの変数が関与しているかを指定する)によって定義される。 分離されたセレクタは、各患者の予測を駆動する辞書エントリを特定し、属性から表現学習を分離する。 我々は,MIMIC-IIIとMIMIC-IV(それぞれ3つの予測タスク)上の異なる表現戦略にまたがる5つのバックボーンアーキテクチャのTI-SAEを評価する。 TI-SAEは、標準忠実度ベンチマークで高いパフォーマンスを達成しつつ、過渡帰属熱マップを超えて構造化された臨床概念を生成する。

関連論文リスト

• X-FEMR: A Token-level Explainable Approach for Electronic Health Records Foundation Models using Transformer-based Models [15.698368489461984]
  電子健康記録の基礎モデル(FEMR)は、大規模に構造化された患者データに基づいて事前訓練されている。 FEMRはブラックボックスモデルのままであり、バイアス、解釈可能性、臨床信頼に関する懸念を高めている。 FEMRのトークンレベルの説明可能性に関する最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2026-07-07T11:37:43Z)
• PORTER: Language-Grounded Event Representations for Portable Structured EHR Foundation Models [0.27998963147546146]
  固定語彙からイベント表現を分離する構造付きEHR基盤モデルである PortER を導入する。 ポーターは、凍結したテキストエンコーダを使用して記述を通じてイベントを表現し、専用の経路を通じて数値値を統合し、患者のタイムラインを通して臨床力学を学ぶ。 ポーターはタスク固有のテキストシリアライゼーションよりも高いAUROCを実現し、329倍のアモルティフィケーション計算を実現した。
  論文  参考訳（メタデータ） (2026-06-23T03:33:25Z)
• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• Time-Aware Attention for Enhanced Electronic Health Records Modeling [8.4225455796455]
  TALE-EHR は Transformer ベースのフレームワークで,連続的な時間的ギャップを明示的にモデル化する,新たなタイムアウェアアテンション機構を備えている。 本手法は, 疾患進展予測などのタスクにおいて, 最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-07-20T07:32:41Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting [11.96384267146423]
  臨床変数の時系列予測(TSF)により原因を直接予測することを提案する。 モデルトレーニングは特定のラベルに依存しないため、予測されたデータはコンセンサスベースのラベルを予測するために使用できる。
  論文  参考訳（メタデータ） (2024-08-07T14:52:06Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Concept-based model explanations for Electronic Health Records [1.6837409766909865]
  概念活性化ベクトル(TCAV)を用いたテストは、人間に理解可能な説明を提供する手段として最近導入された。 本手法を時系列データに拡張し,TCAVの適用をEHRの逐次予測に適用する。
  論文  参考訳（メタデータ） (2020-12-03T22:18:24Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。