適応的なサポートユーザによるパーソナライズされたデジタルヘルス・モデリング

要旨: 個別最適化されたモデルは、個々の人が大きな生理的・行動的な多様性を示すため、デジタルヘルスにおいて不可欠です。しかし、個別最適化は、ユーザ固有データが乏しく、かつノイズを含むことによって制約されています。既存のほとんどの手法は、母集団の事前学習に依存するか、もしくは類似したユーザのデータのみを用いていますが、これはバイアスのかかった転移や、弱い汎化につながり得ます。本研究では、類似している個体と異なっている個体の両方を含む、適応的に重み付けされたサポートユーザを用いてパーソナルモデルを学習する統一的な個別最適化フレームワークを提案します。目的関数は、個人の損失、類似ユーザからの類似度に重み付けされた転移、ならびに誤った相関を抑制するために異なるユーザからのコントラスト正則化を統合します。反復的最適化アルゴリズムにより、モデルパラメータとユーザの類似度重みを共同で更新します。4つの現実のデジタルヘルスデータセットにまたがる6つのタスクに対する実験では、母集団ベースラインおよび個別最適化ベースラインよりも一貫した改善が示されました。本手法は、大規模データセットにおいてRMSEを最大10%低減し、低データ設定ではおよそRMSEを25%低減します。学習された適応的重みは、データ効率を改善し、対象となるデータ選択に対して解釈可能な指針を提供します。