論文の概要: Which Model, For Which Variable? Per-Variable Forecast Combination in Sparse ICU Time Series
- arxiv url: http://arxiv.org/abs/2611.18149v1
- Date: Fri, 13 Nov 2026 13:22:35 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:25:31.915398
- Title: Which Model, For Which Variable? Per-Variable Forecast Combination in Sparse ICU Time Series
- Title(参考訳): どのモデル、どの変数か? : スパースICU時系列における変数ごとの予測組合せ
- Abstract要約: すべての変数にどのアーキテクチャが最善であるかを示し、どのモデルが変数から変数に変更を勝ち取るかを示す。
我々は、24時間水平線上の94チャンネルを14モデルのプールで予測し、各変数の重み付けと組み合わせた。
テストでは、5つのデータベースで最高のモデルが6.1-11.0%、平均2乗誤差(平均8.7%)を上回りました。
- 参考スコア(独自算出の注目度): 6.987854445546589
- License:
- Abstract: Clinical forecasting papers typically report a single best architecture. We show that on multivariate ICU physiology this question conceals variable-specific differences: no architecture is best on every variable, and which model wins changes from variable to variable. Across five ICU databases (MIMIC-III, MIMIC-IV, eICU, HiRID, and UMM (University Medicine Mannheim), a German single-center ICU) we forecast 94 channels over a 24-hour horizon with a pool of 14 models, and combine them with weights fitted per variable. On test, the combination beats the best single model on all five databases by 6.1-11.0% mean squared error (mean 8.7%). The gain is concentrated where clinical data is thinnest: the sparsest third of channels improves by 11.9% and laboratory values by 7.5%, against 3.1% for the densest third. Rank-based harmonic weighting of the best five models per variable, with no fitted weights at all, recovers about four-fifths of the gain. Extending the pool afterwards with a per-channel gradient-boosted tree, ARIMA and ETS makes the tree the validation-selected best single model on all five databases; per-variable combination still improves on it by 2.9-5.9% (significant on four of five), while equal weighting of the same members does not. As on univariate benchmarks, learned combination beats simple averaging - but only once the weights are constrained. We also report which model to prefer when, and show that the ordering changes with database size.
- Abstract(参考訳): 臨床予測論文は通常、単一の最高のアーキテクチャを報告します。
多変量ICUの生理学において、この疑問は変数固有の相違を隠蔽している: アーキテクチャはすべての変数で最良であり、どのモデルが変数から変数への変化に勝つか。
5つのICUデータベース(MIMIC-III,MIMIC-IV,eICU,HiRID,UMM(University Medicine Mannheim),ドイツのシングルセンタICU)で,24時間水平線上の94のチャネルを14モデルのプールで予測し,各変数の重みと組み合わせた。
テストでは、この組み合わせが5つのデータベースで最高のモデルである6.1-11.0%の平均2乗誤差(平均8.7%)を上回ります。
3分の1のチャンネルは11.9%改善し、実験室の値は7.5%向上し、3分の1のチャンネルは3.1%向上した。
ランクベースの高調波重み付けは、1変数あたりの最良の5モデルで、全く重みを付けていないが、利得の約5分の4を回復させる。
ARIMA と ETS はこの木を5つのデータベースでバリデーション選択された最高のシングルモデルに拡張し、各変数の組み合わせは2.9-5.9%改善している(5つのうち4つに重要な)が、同じメンバーの重み付けはそうではない。
単変量ベンチマークの場合、学習された組み合わせは単純な平均値を上回るが、重みが制約されるのは1回だけである。
また、どのモデルがいつ好まれるかを報告し、データベースのサイズによって順序が変わることを示す。
関連論文リスト
- Controlled Evaluation of EEG Foundation Models: Random Initialisation, Band-Power and Validation-Selected Probes [0.0]
脳波ファンデーションモデル5と社内JEPAスタイルモデルを1つのプロトコルで評価し,これら3つのコントロールと複数のシードについて検討した。
まず、調査対象の層をテストスコアで選び、平均+0.034で層幅のピークを上昇させる。
論文 参考訳(メタデータ) (2026-10-23T02:11:38Z) - Random Initialization as a Baseline for Time Series Foundation Models [1.8692254863855962]
時系列基礎モデル(TSFM)は、下流タスクの再利用表現を学習するために自己教師付き事前訓練を使用する。
UEA MTSCアーカイブ上で,4つのTSFMファミリーから公開された7つのパブリックインスタンスと,アーキテクチャにマッチしたランダムな対応のインスタンスを比較した。
事前トレーニングでは7つのインスタンスの平均精度が向上するが、利得は1.43から5.19ポイントの範囲で、全体の平均改善率は2.58ポイントである。
論文 参考訳(メタデータ) (2026-10-22T09:01:53Z) - Benchmarking Self-Supervised 3D Medical Vision Foundation Models and Transferability Estimation [57.65266782182578]
セルフ教師付き事前トレーニングは、3D医療基盤モデルのプールを拡張したが、異なるデータセット、エンドポイント、微調整プロトコルを使用した評価を公表した。
14のセグメンテーション、分類、回帰タスク、複数の解剖学とモダリティにまたがる23の候補をベンチマークした。
3モデルショートリストは、7つのセグメンテーションタスクで記録された抜粋+訓練ジョブ時間を85.8%削減した。
論文 参考訳(メタデータ) (2026-10-13T01:52:19Z) - Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。
SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
論文 参考訳(メタデータ) (2026-09-16T15:34:21Z) - On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳(メタデータ) (2026-08-31T06:35:07Z) - Quantization Undoes Alignment: Bias Emergence in Compressed LLMs Across Models and Precision Levels [0.0]
大規模言語モデルは、クラウドおよびエッジデプロイメントの推論コストとメモリフットプリントを低減するために、トレーニング後の量子化を通じて定期的に圧縮される。
既存の研究は通常、2つの条件のみを比較し、集約バイアスメトリクスに依存し、単一のモデルファミリを評価する。
12,148 BBQ バイアスベンチマーク項目の5つの精度レベル (BF16 - 3-bit) における3つの命令調整モデルの制御実験を行った。
論文 参考訳(メタデータ) (2026-05-02T05:41:47Z) - Bit-Identical Medical Deep Learning via Structured Orthogonal Initialization [0.0]
深層学習トレーニングは非決定論的であり、異なるランダムなシードを持つ同一のコードは、集約メトリクスに異を唱えるが個々の予測に異を唱えるモデルを生成する。
ランダム性の3つの源を除去する検証ビット識別訓練の枠組みを提案する。
論文 参考訳(メタデータ) (2026-03-30T05:04:57Z) - MOOZY: A Patient-First Foundation Model for Computational Pathology [17.47449462562058]
コンピュータ病理学には、様々な臨床課題にまたがる全体スライド画像(WSI)基盤モデルが必要である。
患者中心の病態基盤モデルであるMOOZYについて述べる。
論文 参考訳(メタデータ) (2026-03-27T23:33:33Z) - Pearl: A Foundation Model for Placing Every Atom in the Right Location [52.35027831422145]
タンパク質-リガンド共フォールディングの基礎モデルであるPearlを紹介した。
パールはタンパク質-リガンド結合における新しい最先端性能を確立している。
Pearlは、パブリックなRuns N' PosesとPoseBustersベンチマークでAlphaFold 3や他のオープンソースベースラインを上回っている。
論文 参考訳(メタデータ) (2025-10-28T17:36:51Z) - CLIP the Bias: How Useful is Balancing Data in Multimodal Learning? [72.19502317793133]
比較言語画像事前学習(CLIP)におけるバイアス軽減のためのデータバランスの有効性について検討する。
表現バイアスと相関バイアスの両方を低減するために,Multi-Modal Moment Matching (M4) と呼ばれる新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-03-07T14:43:17Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z)
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。