文脈と時系列特徴の緩和的かつ効率的取得

本文: arXiv:2603.11370v1 アナウンス種別: new 要旨: 医学系アプリケーションの多くでは、推論時に測定が自由に利用できるわけではない。各ラボ検査、画像モダリティ、または評価は金銭的コスト、時間的負担、あるいは患者リスクを伴う。縦断的なアクティブ特徴取得（LAFA）は、測定を時間に沿って適応的に選択することにより予測性能を最適化しようとするが、早期の測定を見逃した場合には再訪できず、取得の選択がすべての下流の予測に影響を与えるため、問題は本質的に困難である。さらに、現実の臨床ワークフローは通常、初期のオンボーディングフェーズから始まり、この間には比較的安定した文脈記述子（例：人口統計学的特徴やベースライン特性）を一度収集し、その後、縦断的意思決定を条件づける。実用的には重要であるが、オンボーディングコンテキストの効率的な選択は、時系列的適応取得と共同で研究されてこなかった。したがって、我々は REACT（Relaxed Efficient Acquisition of Context and Temporal features）を提案する。これは、費用制約の下で縦断測定のオンボーディング文脈記述子の選択と適応的な特徴－時間取得計画を同時に最適化する、エンドツーエンドの微分可能なフレームワークである。REACT は、離散的な取得マスク上の勾配ベースの最適化を可能にする Gumbel–Sigmoid 緩和とストレートスルー推定を採用しており、予測損失と取得コストの両方からの直接の逆伝播を可能にする。実世界の縦断的な健康および行動データセット全体で、REACT は既存の縦断的取得ベースラインと比較して、低い取得コストで予測性能を向上させており、オンボーディングと時系列的に結合した取得を統一的な最適化フレームワーク内でモデル化する利点を示している。